如何向量化实现NumPy大数组指定边界框区域的数值填充

你当前的循环写法速度慢的核心原因是Python层的循环每次都需要做元组索引、参数解析、数组边界检查，虽然单次切片赋值本身是NumPy底层C实现的，但超大数组场景下这些开销会被放大，可通过以下方式优化：

方案1：Numba JIT编译（性能提升最显著，改动最小） #

如果可以引入Numba依赖，直接给循环加JIT装饰器即可，编译后会完全消除Python层开销，直接执行底层内存操作，速度通常可以提升5~10倍：

import numba
import numpy as np

@numba.njit  # 开启无Python模式编译
def fill_boxes(large_arr, boxes_y, boxes_x, embeddings):
    box_count = len(boxes_y)
    for idx in range(box_count):
        y_low, y_high = boxes_y[idx]
        x_low, x_high = boxes_x[idx]
        large_arr[y_low:y_high, x_low:x_high] = embeddings[idx]
    return large_arr

# 调用前先把坐标列表转成NumPy数组，适配numba输入要求
boxes_y_arr = np.array(boxes_y, dtype=np.int64)
boxes_x_arr = np.array(boxes_x, dtype=np.int64)
large = fill_boxes(large, boxes_y_arr, boxes_x_arr, embeddings)

方案2：纯NumPy掩码向量化赋值（无额外依赖） #

如果不能安装第三方依赖，可通过二维掩码减少Python循环的操作量：掩码是远小于三维原数组的二维结构，循环仅做掩码赋值，最后一次性完成三维数组的向量化填充，适合边界框无重叠、或允许后定义的框覆盖先定义的框的场景：

# 生成全量坐标掩码，初始值-1代表无对应边界框
mask = np.zeros(large.shape[:2], dtype=np.int32) - 1

# 循环仅更新二维掩码，开销远小于直接操作三维数组
for i in range(400):
    y_low, y_high = boxes_y[i]
    x_low, x_high = boxes_x[i]
    mask[y_low:y_high, x_low:x_high] = i

# 一次性完成向量化赋值
valid_pos = mask != -1
large[valid_pos] = embeddings[mask[valid_pos]]

方案3：原生循环优化（改动最小，无依赖） #

如果不想改原有逻辑，仅需要小幅提速，可先把坐标转成NumPy数组，减少Python层元组操作的开销：

boxes_y_arr = np.array(boxes_y)
boxes_x_arr = np.array(boxes_x)

for i in range(400):
    y1, y2 = boxes_y_arr[i]
    x1, x2 = boxes_x_arr[i]
    large[y1:y2, x1:x2] = embeddings[i]

内容的提问来源于stack exchange，提问作者Shadovx