如何快速计算NumPy数组元素与相邻元素的平均绝对差值

实现方案 #

这里提供两种无显式遍历的高效实现，都可以满足超大数组的高频运行需求：

方案1：纯NumPy向量化实现（性能最优）

该方案仅外层有固定次数的小循环（和数组大小无关），内部全是C层面的向量化运算，性能最高，适合超大规模数组：

import numpy as np

def calc_mean_abs_diff(arr, neighbor_type=8, pad_mode='edge'):
    """
    计算数组每个元素与邻域元素的平均绝对差值
    :param arr: 输入二维NumPy数组
    :param neighbor_type: 邻域类型，可选4（上下左右）或8（含对角）
    :param pad_mode: 边界填充模式，和np.pad的mode参数一致
    :return: 和输入数组shape一致的平均绝对差值数组
    """
    h, w = arr.shape
    # 1像素边界填充
    pad_arr = np.pad(arr, pad_width=1, mode=pad_mode)
    # 定义邻域偏移量
    if neighbor_type == 8:
        shifts = [(-1,-1), (-1,0), (-1,1),
                  (0,-1),          (0,1),
                  (1,-1),  (1,0), (1,1)]
    elif neighbor_type == 4:
        shifts = [(-1,0), (1,0), (0,-1), (0,1)]
    else:
        raise ValueError("neighbor_type仅支持4或8")
    # 计算所有邻域的绝对差值
    abs_diffs = []
    for dy, dx in shifts:
        shifted = pad_arr[1+dy : h+1+dy, 1+dx : w+1+dx]
        abs_diffs.append(np.abs(shifted - arr))
    return np.mean(abs_diffs, axis=0)

# 测试示例
arr = np.array([[1, 2, 3],
                [4, 5, 6],
                [7, 8, 9]])
result = calc_mean_abs_diff(arr)
print(result[1, 1]) # 输出2.5，和示例要求一致

方案2：SciPy滤波实现（代码最简洁）

如果对性能要求没有到极限，需要灵活调整邻域规则，可以用scipy.ndimage.generic_filter实现，代码更短：

from scipy.ndimage import generic_filter
import numpy as np

arr = np.array([[1, 2, 3],
                [4, 5, 6],
                [7, 8, 9]])

def neighbor_abs_mean(window):
    # 3x3窗口的中心元素索引为4，排除中心后计算绝对差均值
    return np.mean(np.abs(window[np.arange(9) != 4] - window[4]))

result = generic_filter(arr, neighbor_abs_mean, size=3, mode='edge')
print(result[1,1]) # 输出2.5

说明 #

• 边界填充的mode参数可以根据业务需求调整，常用可选值：edge（边缘值复制填充）、constant（固定值填充，默认填0）、wrap（循环填充，适用于周期性数据）、reflect（镜像填充）
• 如果输入是高维数组，只需要对应调整偏移量的维度即可，逻辑完全一致

内容的提问来源于stack exchange，提问作者Ben Morris