基于Numpy实现nD数组间的(n+1)D渐变数组生成优化问询

当然有更简洁、更高效的Numpy原生方法！你的双重循环思路是对的，但Numpy的广播机制可以帮我们彻底摆脱手动循环，让代码更简洁，同时性能也能得到提升。

先解释你之前尝试的问题 #

你用np.linspace(start.all(), end.all(), 4)得到非预期结果，是因为start.all()和end.all()并不是把数组转换成一个整体，而是检查数组所有元素是否为True的布尔判断：

• start里包含0，所以start.all()返回False（对应数值0.0）
• end所有元素都是非零值，所以end.all()返回True（对应数值1.0）
  最终你其实是在生成0到1之间的4个等分点，这当然不是你想要的数组渐变效果。

方法1：直接用np.linspace的多维度支持（推荐） #

从Numpy 1.16版本开始，np.linspace支持传入多维数组作为起点和终点，并且可以通过axis参数指定渐变序列的堆叠维度：

import numpy as np

start = np.arange(6).reshape(2, 3)
end = np.array([18, 10, 17, 15, 10, 2]).reshape(2, 3)

# 直接生成(4,2,3)的渐变数组
morph = np.linspace(start, end, num=4, axis=0)
print(morph)

这段代码会直接输出你想要的结果：

[[[ 0.  1.  2.]
  [ 3.  4.  5.]]

 [[ 6.  4.  7.]
  [ 7.  6.  4.]]

 [[12.  7. 12.]
  [11.  8.  3.]]

 [[18. 10. 17.]
  [15. 10.  2.]]]

原理：np.linspace会自动对start和end中每个对应位置的元素生成渐变序列，然后沿着axis=0（第一个维度）堆叠，正好得到你需要的(n+1)维数组。

方法2：手动线性插值（更直观） #

如果你想更清晰地理解插值逻辑，可以手动利用线性公式结合广播实现：

import numpy as np

start = np.arange(6).reshape(2, 3)
end = np.array([18, 10, 17, 15, 10, 2]).reshape(2, 3)

# 生成0到1之间的4个插值系数
t = np.linspace(0, 1, 4)
# 利用广播，将系数扩展到和数组匹配的维度
morph = start + (end - start) * t[:, np.newaxis, np.newaxis]
print(morph)

这个方法的逻辑是：每个渐变帧的数值 = 起始值 + (终止值-起始值) × 插值比例，t[:, np.newaxis, np.newaxis]是为了让1D的t数组能够和2D的start/end进行广播运算。

为什么这两种方法更好？ #

这两种方法都完全避免了Python层面的循环，充分利用了Numpy底层的C语言优化，在处理大规模数组时，性能会比手动循环快一个数量级以上，同时代码可读性也更强。

内容的提问来源于stack exchange，提问作者wilmert