如何高效过滤0值无效值并实现多数组对应位置求平均？

你现有代码慢的核心原因是用了两层Python原生循环逐元素遍历数组，Python循环的执行开销极高，完全没有利用numpy的向量化运算能力——numpy的向量化操作会把运算下沉到C层面执行，同等逻辑速度比Python循环快2个数量级左右。

你的计算逻辑本身没问题，只需要把所有内层逐元素遍历的Python循环替换成numpy向量化操作即可，不需要改动整体流程：

• 对每个读入的LST数组，直接生成布尔型的有效位掩码（值非0的位置为True，0值位置为False）
• 求和数组直接累加「原数组 * 掩码」的结果，0值位置自然不会贡献累加值
• 计数数组直接累加掩码本身（True会被当作1，False当作0，刚好统计每个位置的有效值个数）
• 最终求平均的步骤也用numpy的带条件除法实现，自动跳过分母为0的位置

优化后的完整代码如下：

from pyhdf.SD import SD, SDC
import numpy as np
import os

a, b = lst_template.shape
sum_arr = np.zeros((a, b), dtype=np.float64)
denominator_arr = np.zeros((a, b), dtype=np.int32)

for filename in os.listdir(file_location):
    file_path = os.path.join(file_location, filename)
    try:
        file = SD(file_path)
        lst = file.select('LST').get()
        if lst.shape != (a, b):
            print(f'shape incorrect {filename}')
            continue
        # 向量化操作替代双层Python循环
        valid_mask = lst != 0
        sum_arr += lst * valid_mask
        denominator_arr += valid_mask
        print(filename)
    except Exception as e:
        print(e)
        print(filename)

# 逐位置求平均，分母为0的位置默认输出0
result_arr = np.divide(
    sum_arr,
    denominator_arr,
    out=np.zeros((a, b), dtype=np.float32),
    where=denominator_arr != 0
)

可选进一步优化 #

如果你的单景LST数组尺寸不大，内存足够放下全部800景数组，可以用更简洁的np.nanmean实现，连手动维护求和、计数数组的步骤都可以省掉：

valid_lst_list = []
for filename in os.listdir(file_location):
    # 省略文件读入、形状校验、异常捕获逻辑，和前面一致
    # 把形状符合要求的lst加入列表
    if lst.shape == (a, b):
        valid_lst_list.append(lst)

# 堆叠为三维数组，把0值替换为nan后沿新维度求均值，自动跳过nan
all_lst = np.stack(valid_lst_list, axis=0).astype(np.float64)
all_lst[all_lst == 0] = np.nan
result_arr = np.nanmean(all_lst, axis=0)

这个写法代码更短，但是会额外占用存储全部数组的内存，如果单景数组尺寸很大（比如单景几GB）就不适合，用前面逐文件累加的方案内存占用固定，和文件总数无关，稳定性更好。

另外注意几个细节：

• 累加求和的数组建议用float64类型，避免800组数据累加后出现数值溢出
• 路径拼接不要直接用字符串相加，用os.path.join可以避免跨平台的路径分隔符问题

内容的提问来源于stack exchange，提问作者FarmerZee