如何用列表推导式替代图像缩放的嵌套for循环，提升数组填充速度

你当前用的纯Python双重循环逐像素操作性能差的核心原因是Python解释器的循环执行开销极大，哪怕改用列表推导式，本质还是Python层的遍历逻辑，最多只能获得10%~20%的性能提升，解决不了根本问题。真正能获得数量级性能提升的是以下两种方案：

方案1：用NumPy向量化操作实现（无需引入图像处理库） #

完全避免Python层循环，所有坐标计算和像素索引都在C层面执行，速度比双重循环快百倍以上，逻辑和你原有的最近邻缩放完全一致：

import numpy as np

# 批量计算新图像所有坐标对应的原图像坐标
x_coords = np.round(np.arange(new_width) / x_scale).astype(int)
y_coords = np.round(np.arange(new_height) / y_scale).astype(int)
# 扩展为二维坐标矩阵后批量索引
xx, yy = np.meshgrid(x_coords, y_coords, indexing='ij')
new_image = image[xx, yy]

注意indexing='ij'参数是为了匹配你原代码中x对应宽度、y对应高度的索引顺序。

方案2：直接使用成熟图像处理库的内置缩放方法（性能最优、使用最简单） #

PIL、OpenCV这类库的缩放方法都是底层C实现，还自带多类插值算法支持，比手动实现的性能更高、稳定性更好：

• 用Pillow实现（与原逻辑一致的最近邻缩放）：

from PIL import Image

# 若原图像是NumPy数组先转为PIL对象
pil_img = Image.fromarray(image) if isinstance(image, np.ndarray) else image
new_pil_img = pil_img.resize((new_width, new_height), resample=Image.Resampling.NEAREST)
# 需要的话转回NumPy数组
new_image = np.array(new_pil_img)

• 用OpenCV实现：

import cv2

new_image = cv2.resize(image, (new_width, new_height), interpolation=cv2.INTER_NEAREST)

内容的提问来源于stack exchange，提问作者Ahmed Habib