为何循环逐像素操作时numpy.array速度远低于PixelAccess？

你观察到的4倍速度差距属于完全正常的现象，问题出在你的使用方式没有发挥numpy的设计优势。

速度差距的核心原因 #

• numpy的性能优势建立在向量化批量运算的基础上，所有计算逻辑放到底层C层执行，避免Python循环的解释开销。你目前的写法是用Python层循环逐像素操作，刚好避开了numpy的优势，反而放大了它的开销：每次numpy数组索引、临时array对象创建都有额外的Python层封装成本，而PIL的PixelAccess本身就是为逐像素读写优化的轻量接口，纯Python循环下速度更快很正常。
• 你当前numpy版本的代码还有额外冗余：每次循环都创建了新的np.array([255, 255, 0, 255], dtype=np.uint8)对象，这个实例化过程的开销远高于直接使用Python元组赋值，进一步拉大了速度差距。

正确使用numpy的优化方式 #

只要把Python层循环替换为向量化操作，numpy的速度会远超过PixelAccess的实现：

示例1：全图批量赋值 #

你测试的全图设为黄色的需求，不需要写任何循环，直接用一行代码即可完成：

matrix2[:] = [255, 255, 0, 255]

这种写法下所有运算都在C层执行，速度是纯Python循环PixelAccess的几十到上百倍。

示例2：按条件批量修改像素 #

如果需要根据不同条件给像素赋不同值，也可以用布尔索引实现：

# 例：把所有红色通道值大于128的像素改为黄色
mask = matrix2[..., 0] > 128
matrix2[mask] = [255, 255, 0, 255]

特殊场景：无法向量化的逐点逻辑 #

如果你的业务逻辑确实无法改写为向量化操作，建议用numba的JIT装饰器编译循环代码，也可以达到C级别的执行速度，不要用纯Python循环操作numpy数组。

内容的提问来源于stack exchange，提问作者Mert Mint