如何快速计算3D点云中点间距离并优化Python计算代码

你的代码运行慢主要是因为纯Python双重循环的低效、冗余的平方根运算，以及频繁的文件IO操作。下面是针对性的优化方案，从数据加载、计算逻辑到IO操作全流程提升性能：

核心低效原因分析 #

• 纯Python循环开销大：双重while循环是O(n²)复杂度，Python解释器的循环开销在点云数量较大时会被无限放大。
• 冗余计算：每次都计算平方根，实际上比较距离小于阈值等价于比较距离平方小于阈值平方，开方完全是多余的计算。
• 频繁IO操作：每次循环都打开并写入文件，磁盘IO的耗时远高于内存计算，是重要的性能瓶颈。
• 未利用向量化优势：NumPy提供的底层C实现的向量化运算，比Python原生循环快几个数量级，但你的代码完全没用到。

优化方案 #

方案一：基于NumPy向量化（适合中小规模点云） #

利用NumPy的广播机制批量计算所有点对的距离平方，一次性统计邻域点数量，最后批量写入结果：

import numpy as np

# 1. 批量加载点云数据，比逐行解析快数倍
points = np.loadtxt("D:/Point cloud data/projection_test_data3.txt", dtype=np.float32)
threshold = 0.15
threshold_sq = threshold ** 2  # 预计算阈值平方，避免重复计算

# 2. 向量化计算所有点对的距离平方
# 广播机制实现点与所有点的坐标差
diff = points[:, np.newaxis, :] - points[np.newaxis, :, :]
dist_sq = np.sum(diff ** 2, axis=-1)  # 计算每个点对的距离平方

# 3. 统计每个点的邻域点数量（包含自身，若不需要可减去1）
density = np.sum(dist_sq < threshold_sq, axis=1)

# 4. 批量写入结果，仅一次IO操作
np.savetxt("D:/Point cloud data/my_density.txt", density, fmt="%d")

方案二：基于KDTree（适合大规模点云） #

如果点云数量超过1万甚至达到十万级，NumPy广播的O(n²)内存占用会导致内存不足。此时用scipy的KDTree可以将时间复杂度降到O(n log n)，大幅提升效率：

import numpy as np
from scipy.spatial import KDTree

# 加载点云数据
points = np.loadtxt("D:/Point cloud data/projection_test_data3.txt", dtype=np.float32)
threshold = 0.15

# 构建KDTree索引
tree = KDTree(points)
# 查询每个点周围距离小于阈值的点数量（包含自身）
density = tree.query_ball_point(points, threshold, return_length=True)

# 批量写入结果
np.savetxt("D:/Point cloud data/my_density.txt", density, fmt="%d")

额外说明 #

• 两种方案都会处理所有点（原代码遗漏了最后一个点），如果不需要统计点自身，可以在结果中减去1（比如density = np.sum(...) - 1）。
• KDTree方案需要先安装scipy：pip install scipy。
• 批量写入文件的方式比逐行写入快得多，避免了频繁的磁盘IO开销。

内容的提问来源于stack exchange，提问作者youssef