Numpy二维掩码替换指定数据生成三维结构的实现求助

嘿，我来帮你搞定这个问题！你的需求其实可以用NumPy的向量化工具有效实现，完全不需要写低效的循环，而且能精准解决你遇到的问题。

我们可以借助NumPy的布尔索引和自动广播特性来完成这个任务，步骤清晰且高效：

1. 先初始化一个符合目标形状的空数组，用0填充背景区域；
2. 利用mask的布尔值直接定位需要填充光谱数据的像素位置；
3. 将data转置后填充到对应位置即可。

具体代码如下：

import numpy as np

# 假设mask和data已经提前定义好
# mask.shape = (3800, 3500)，data.shape = (909, N)，N是mask中1的数量

# 创建目标形状的结果数组，用0填充背景，数据类型和data保持一致
result = np.zeros((3800, 3500, 909), dtype=data.dtype)

# 用布尔索引把转置后的data填充到mask为1的像素位置
result[mask == 1] = data.T

执行完这段代码后，你再运行plt.imshow(result.mean(axis=2))，就能看到正确的二维图像，而且每个选中像素的z方向已经是对应的909个光谱值了。

咱们来拆解下你之前代码里的几个关键问题：

1. 方法调用错误：mask_vector = mask.flatten这里少加了括号，flatten是数组的方法，必须写成mask.flatten()才能得到扁平化后的数组，不然mask_vector只是一个方法对象，后续所有操作都会出错；
2. 索引逻辑错误：for i in mask_vector里的i是mask里的元素（0或1），不是元素的索引位置，所以mask_909[i,:]实际上是在访问数组的第0行或第1行，完全没对应到mask中1的实际位置；
3. 效率极低：即使修正了索引，循环处理上千万级别的元素会非常慢，NumPy的向量化操作比Python循环快几个数量级。

另外你提到用np.where遇到广播问题，其实用布尔索引就不会有这个困扰——result[mask == 1]会自动把data.T（形状为(N,909)）匹配填充到所有mask为1的像素位置，完美契合需求。

内容的提问来源于stack exchange，提问作者pastinflames