如何统计Numpy二维布尔数组中连通True块的大小？是否有现成库函数？

你担心递归在大规模数据下的效率问题完全合理——纯Python递归不仅容易碰到栈溢出，而且数组操作的速度确实跟不上大规模数据的需求。这里有个非常高效的解决方案，用scipy库中的ndimage模块，它底层是C实现的，处理这类连通域问题速度快得多。

核心思路：连通区域标记 + 大小映射 #

我们可以分三步完成需求：

1. 对布尔数组进行连通块标记：给每个连通的True区域分配唯一的标签
2. 计算每个标签对应的连通块大小
3. 将标签矩阵替换为对应的大小矩阵

代码示例（针对你的例子） #

import numpy as np
from scipy import ndimage

# 你的布尔矩阵（这里用1/0代替True/False，效果完全一致）
input_arr = np.array([[1, 0, 0, 0], [0, 1, 1, 0], [0, 1, 0, 0], [0, 1, 0, 0]])

# 1. 标记连通块：默认是4连通（上下左右相邻），如需8连通可加structure参数
labeled_matrix, num_regions = ndimage.label(input_arr)

# 2. 计算每个连通块的大小
region_sizes = ndimage.sum(input_arr, labeled_matrix, range(num_regions + 1))

# 3. 把标签替换成对应大小
result_matrix = region_sizes[labeled_matrix]

print(result_matrix)

运行后输出就是你想要的：

[[1 0 0 0]
 [0 4 4 0]
 [0 4 0 0]
 [0 4 0 0]]

关键细节说明 #

• 连通性选择：默认是4连通（只考虑上下左右相邻），如果需要包含对角线的8连通，修改label函数的参数：

  # 8连通的结构元素
  structure = np.ones((3, 3), dtype=int)
  labeled_matrix, num_regions = ndimage.label(input_arr, structure=structure)
  

• 布尔数组兼容性：如果你的输入是True/False的布尔数组，直接传入即可，因为True会被视为1，False视为0，代码无需修改。
• 效率优势：scipy.ndimage的函数都是底层优化过的，处理大规模矩阵（比如几千×几千的数组）时，速度比纯Python递归或循环快几个数量级，完全不用担心性能问题。

替代方案（如果不想用scipy） #

如果你因为环境限制不能用scipy，也可以考虑skimage.measure模块中的label和regionprops，用法类似：

from skimage.measure import label, regionprops

input_arr = np.array([[1, 0, 0, 0], [0, 1, 1, 0], [0, 1, 0, 0], [0, 1, 0, 0]])
labeled_matrix = label(input_arr)
result_matrix = np.zeros_like(labeled_matrix)

for prop in regionprops(labeled_matrix):
    result_matrix[labeled_matrix == prop.label] = prop.area

print(result_matrix)

不过整体效率还是scipy.ndimage更高一些。

内容的提问来源于stack exchange，提问作者Rocky Li