通过循环追加2D Numpy数组创建3D Numpy数组的实现方法

你现有的循环框架已经接近可用，只需要把每层处理后的2D结果写入预先初始化的空3D数组的对应位置即可，完整实现如下：

import numpy as np

# 初始化和原数组形状、数据类型完全一致的空数组存储结果，避免硬编码维度出错
processed_arr_3d = np.empty_like(original_npy_3d)

# 遍历所有层，也可以直接写range(85)，用shape[0]适配性更强
for layer_idx in range(original_npy_3d.shape[0]):
    # 取出当前层的2D数组
    current_layer = original_npy_3d[layer_idx, :, :]
    # 此处替换为你已完成的2D层面运算逻辑，得到处理后的2D数组processed_layer
    processed_layer = your_2d_process_func(current_layer)
    # 将处理后的层写入结果数组对应位置
    processed_arr_3d[layer_idx, :, :] = processed_layer

# 最终processed_arr_3d即为尺寸(85,150,150)的全量处理结果

可选优化建议 #

• 如果你的2D运算支持Numpy广播规则，可以直接去掉循环做向量化运算，性能远高于Python层循环，例如对每层做归一化可以直接写成：

  layer_mean = original_npy_3d.mean(axis=(1,2), keepdims=True)
  layer_std = original_npy_3d.std(axis=(1,2), keepdims=True)
  processed_arr_3d = (original_npy_3d - layer_mean) / layer_std
  

• 若你的2D处理逻辑无法向量化，可引入numba给循环加JIT编译，也能大幅提升运行速度

内容的提问来源于stack exchange，提问作者Bluee Skyy