Python 迭代numpy数组时的性能问题

我有一个3D图像阵列，比如

[
[
[225, 0, 0],
[225, 225, 0],
...
],
[
[225, 0, 0],
[225, 225, 0],
...
],
...
]

此阵列的大小为500x500x3，其中750.000个元素。 这些是在数组上迭代的简单嵌套循环

arr中的行的

：
对于行中的列：
对于列中的元素：
元素=（2*元素/最大颜色值）-1

但是迭代需要很多时间（>5分钟）

---

我是numpy新手，所以可能是我以错误的方式迭代数组？如何优化这些循环？

Numpy数组的设计目的不是对元素进行迭代。它甚至可能比在Python列表上迭代还要慢，因为这将导致大量元素的包装和展开

Numpy阵列设计用于批量处理。例如，计算两个1000×1000矩阵的元素和

如果要将所有元素与

2

相乘，将其除以

MAX\u COLOR\u VAL

，然后从中减去一个元素，只需使用以下内容构造一个新数组：

arr = (2 * arr.astype(float) / MAX_COLOR_VAL) - 1

这将对所有元素应用此操作

注意：请注意，如果迭代一个numpy数组，则不会迭代索引，而是迭代行本身。因此，arr中行的

中的
行将返回一个2d数组，而不是2d数组的索引

您不应该迭代numpy数组。事实上，在numpy数组上迭代很可能比在Python列表上迭代要慢。numpy数组的思想是批量执行操作。您的程序甚至不会设置项目。我认为将数组强制转换为浮点（
arr.astype（float）
）比仅执行类似于
2.0*arr/MAX\u COLOR\u VAL）-1的操作要贵一些。为什么需要显式强制转换？@kmario23:当我使用
timeit
运行这10000次时，
.astype（float）
给出
3.6568590000097174
，而
2.0*…
给出
3.6864939994127
。我认为这没多大关系。作为一名函数式程序员。我真的不喜欢这个float times int的想法，因为它让我想起了太多弱类型语言，比如C#。正如Python所说：“显式优于隐式”：