Numpy无循环从二维数组中批量选取多个指定矩形区域的实现方法

错误原因说明 #

你之前的写法报错是因为Python原生切片语法start:end仅支持标量作为起止值，不支持直接传入数组批量生成多个切片，必须使用Numpy高级索引实现需求。

分场景解决方案 #

场景1：所有待裁剪矩形尺寸完全相同 #

这种场景可以使用sliding_window_view生成无内存拷贝的视图，性能最高：

import numpy as np

# 初始化示例数据
arr = np.arange(50).reshape(5, 10)
crop_params = np.array([[1,3,2,5], [2,2,0,3]])

# 统一的裁剪高度和宽度
crop_h, crop_w = 3, 5
# 生成所有可能的滑动窗口视图，无额外内存开销
windows = np.lib.stride_tricks.sliding_window_view(arr, (crop_h, crop_w))
# 按参数提取对应窗口，展平为一维数组
result = windows[crop_params[:, 0], crop_params[:, 2]].reshape(len(crop_params), -1)

场景2：待裁剪矩形尺寸不一致 #

这种场景用广播生成索引，核心操作全为Numpy向量化运算，仅最后拆分不规则结果时的循环开销可忽略：

def vectorized_crop(arr, crop_params):
    y_start, y_len, x_start, x_len = crop_params.T
    max_y = y_len.max()
    max_x = x_len.max()
    # 广播生成所有矩形的行索引和掩码
    y_idx = y_start[:, None] + np.arange(max_y)
    y_mask = np.arange(max_y) < y_len[:, None]
    # 广播生成所有矩形的列索引和掩码
    x_idx = x_start[:, None] + np.arange(max_x)
    x_mask = np.arange(max_x) < x_len[:, None]
    # 高级索引批量取值
    cropped_arr = arr[y_idx[:, :, None], x_idx[:, None, :]]
    # 按掩码过滤填充部分，返回每个矩形的展平结果
    return [cropped_arr[i][y_mask[i]][:, x_mask[i]].ravel() for i in range(len(crop_params))]

# 调用示例
result = vectorized_crop(arr, crop_params)

运行后得到的result与你期望的输出完全一致：

[array([12, 13, 14, 15, 16, 22, 23, 24, 25, 26, 32, 33, 34, 35, 36]),
 array([20, 21, 22, 30, 31, 32])]

内容的提问来源于stack exchange，提问作者Binyamin Even