大型矩阵第二列分箱求和的高效实现方案问询

大家好，我现在碰到一个大型矩阵处理的性能瓶颈问题，想请教各位有没有更高效的实现思路。

我的需求是这样的：手里有一个4000列 × 1亿行的超大矩阵，需要根据第二列的数值把这1亿行划分成1000个等距区间（分箱），然后对每个箱内的所有行按列求和，最终得到一个1000行 × 4000列的结果矩阵。

下面是我目前尝试过的几种方法，但速度都达不到预期：

方法一：基础循环实现 #

import numpy as np

# 注：实际数据是1e8行，这里用1000万行做测试模拟
aa = np.random.rand(10000000, 4000)
l, r = np.min(aa[:,1]), np.max(aa[:,1])
bins = np.linspace(l, r, 1001)

results = []
for bn in range(1000):
    ll, rr = bins[bn], bins[bn+1]
    # 每次循环都做布尔索引筛选子集再求和
    sum_bin = np.sum(aa[(aa[:,1] > ll) & (aa[:,1] < rr)], axis=0)
    results.append(sum_bin)
binmap = np.array(results)

这个方法最直观，但问题也很突出——每次循环都要对1亿行数据做布尔筛选，重复1000次后整体速度慢得难以接受。

方法二：Numba并行加速尝试 #

from numba import njit, prange

@njit(parallel=True)
def sumgood(bins, dd):
    results = np.zeros((1000, 4000), dtype=np.float64)
    # 用prange开启并行循环
    for bn in prange(1000):
        l, r = bins[bn], bins[bn+1]
        subset = dd[(dd[:,1] > l) & (dd[:,1] < r)]
        sum_subset = np.sum(subset, axis=0)
        results[bn] = sum_subset
    return results

binmap = sumgood(bins, aa)

本来以为Numba的并行能显著提升速度，但实际运行下来还是没达到预期，推测是循环内的布尔索引和子集求和依然是性能瓶颈。

方法三：exec动态变量拼接（不推荐的尝试） #

for bn in range(1000):
    l, r = bins[bn], bins[bn+1]
    exec(f'good{bn}=np.sum(aa[(aa[:,1]>l) &( aa[:,1]< r) ],axis=0)')

# 拼接所有动态生成的变量
binmap = np.concatenate([globals()[f'good{bn}'] for bn in range(1000)]).reshape(1000, 4000)

这种写法本身就很不优雅，而且速度上也没有任何实质性提升，纯粹是病急乱投医的尝试。

想请教各位大佬，针对这种大规模矩阵的分箱求和需求，有没有更高效的优化方向？比如能不能避免反复做子集筛选？或者有没有numpy的原生函数、其他工具库能更好地处理这类问题？

备注：内容来源于stack exchange，提问作者questionhang