如何矢量化 3D Numpy 数组

我有一个 3D numpy 数组，例如a = np.zeros((100,100, 20))。我想对每个执行操作x,y涉及所有元素的位置z轴，结果存储在一个数组中，例如b = np.zeros((100,100))在同一个对应的x,y位置。

现在我使用 for 循环来做到这一点：

d_n = np.array([...]) # a parameter with the same shape as b
for (x,y), v in np.ndenumerate(b):
    C = a[x,y,:]

    ### calculate some_value using C
    minv = sys.maxint
    depth = -1
    C = a[x,y,:]
    for d in range(len(C)):
        e = 2.5 * float(math.pow(d_n[x,y] - d, 2)) + C[d] * 0.05
        if e < minv:
            minv = e
            depth = d

    some_value = depth
    if depth == -1:
        some_value = len(C) - 1
    ###

    b[x,y] = some_value

现在的问题是这个操作是much比其他人以 pythonic 方式完成的慢，例如c = b * b（我实际上分析了这个函数，在相似数量的元素上，它比使用 numpy 内置函数和向量化函数的其他函数慢了大约 2 个数量级）

如何提高此类将 3D 数组映射到 2D 数组的函数的性能？

在 3D 图像中通常所做的就是交换Z轴到第一个索引：

>>> a = a.transpose((2,0,1))
>>> a.shape
(20, 100, 100)

现在您可以轻松地迭代 Z 轴：

>>> for slice in a:
       do something

The slice这将是你的每一个100x1003D 矩阵的分数。此外，通过转置，您可以通过索引第一个轴来直接访问每个 2D 切片。例如a[10]会给你第11个2D100x100 slice.

奖励：如果您连续存储数据，而不转置（或使用转换为连续数组）a = np.ascontiguousarray(a.transpose((2,0,1)))对 2D 切片的访问会更快，因为它们在内存中连续映射。