如何在Python中实现类似Matlab的分层布尔掩码并提升运行效率

方案1：numpy广播向量化实现（与原Matlab逻辑完全对齐） #

你没法直接移植Matlab语法是因为没手动触发numpy的广播规则，只要将1维的VecIn扩展为二维列向量，就可以和1维的阈值数组直接逐元素比较，生成n×p的布尔掩码，全程无循环：

import numpy as np
def histo(VecIn, ThreshLow, Var1):
    # 构造上边界，和原有逻辑一致
    ThreshUp = np.append(ThreshLow[1:], 1e5)
    # 扩展VecIn为(n,1)后和(1,p)的阈值广播比较，生成n×p掩码
    mask = (VecIn[:, None] >= ThreshLow) & (VecIn[:, None] < ThreshUp)
    # Var1扩展为(n,1)乘掩码后按列求和，直接得到p长度的结果
    return np.sum(Var1[:, None] * mask, axis=0)

这个实现和你Matlab版本的逻辑100%一致，运行速度比循环版本高几十到上百倍（取决于数据量）。

方案2：调用numpy内置函数（最简洁、性能最优） #

numpy原生的np.histogram函数已经支持加权分箱统计，直接指定权重参数即可实现需求，不需要自己写掩码逻辑：

import numpy as np
def histo(VecIn, ThreshLow, Var1):
    bins = np.append(ThreshLow, 1e5)
    # weights参数指定每个样本的聚合值，density设为False保证是求和不是密度
    histVar1, _ = np.histogram(VecIn, bins=bins, weights=Var1, density=False)
    return histVar1

这个实现是numpy底层C语言优化过的，性能比手写广播版本还要高，尤其适合超大样本量的场景。

小提示 #

你原来手写的Python循环版本里有两个变量名笔误：LowThresh应该是ThreshLow，v应该是VecIn，实际运行要注意修正。

内容的提问来源于stack exchange，提问作者RobShaver