本文介绍如何利用 np.histogram2d 对三维点云数据按二维坐标网格进行高效分组并计算每格内第三维（如灰度、强度等）的均值，完全避免显式 Python 循环，性能提升可达 10 倍以上。
本文介绍如何利用 `np.histogram2d` 对三维点云数据按二维坐标网格进行高效分组并计算每格内第三维（如灰度、强度等）的均值，完全避免显式 python 循环，性能提升可达 10 倍以上。
在图像处理、点云分析或空间统计任务中，常需将散乱的 3D 点（如 (x, y, value)）按其二维坐标 (x, y) 投影到规则网格上，并对每个网格单元内所有点的 value（如深度、反射率、温度等）求均值。传统做法依赖嵌套 for 循环或布尔索引配合 np.mean，虽逻辑清晰但性能低下，尤其在百万级点集上尤为明显。
NumPy 提供了更优雅且高度优化的替代方案：np.histogram2d。它原生支持加权直方图统计——即不仅可统计每格内点的数量（计数），还可同步累加指定权重（此处为 z 值）。通过两次调用（一次加权求和、一次非加权计数），即可直接导出各网格的均值矩阵，全程纯向量化，零 Python 循环。
以下是完整实现：
import numpy as np
# 示例数据：100 万个 (x, y, z) 点，x∈[0,2), y∈[0,5), z∈[0,1)
points_range = np.array([2.0, 5.0, 1.0])
points = np.random.random((1_000_000, 3)) * points_range
# 定义网格分辨率
x_steps, y_steps = 15, 15
x_bin_edges = np.linspace(0, points_range[0], x_steps + 1) # x 方向共 x_steps 个区间
y_bin_edges = np.linspace(0, points_range[1], y_steps + 1) # y 方向共 y_steps 个区间
# 第一步：按权重累加 z 值 → 得到每个格子的 z 总和
sums, _, _ = np.histogram2d(
points[:, 0], # x 坐标
points[:, 1], # y 坐标
bins=[x_bin_edges, y_bin_edges],
weights=points[:, 2] # z 值作为权重
)
# 第二步：统计每个格子内的点数
counts, _, _ = np.histogram2d(
points[:, 0],
points[:, 1],
bins=[x_bin_edges, y_bin_edges]
)
# 第三步：安全计算均值（避免除零）
means = np.divide(sums, counts, out=np.zeros_like(sums), where=counts != 0)✅ 关键说明：
- np.histogram2d 返回的 sums 和 counts 均为 (x_steps, y_steps) 形状的二维数组，索引 [i, j] 对应第 i 列（x）、第 j 行（y）的网格单元（注意：histogram2d 默认 x 为第一维，y 为第二维，与图像坐标系一致）；
- 使用 np.divide(..., out=..., where=...) 替代 np.where 可进一步提升数值稳定性与性能；
- 边界必须严格匹配：linspace(start, stop, num=n+1) 生成 n 个等宽区间，确保全覆盖且无重叠；
- 所有输入坐标需满足 0 ≤ x < points_range[0] 且 0 ≤ y < points_range[1]；若存在越界点，histogram2d 会将其归入 underflow/overflow bin（默认丢弃），建议预处理：points = points[(points[:, 0] >= 0) & (points[:, 0] < points_range[0]) & (points[:, 1] >= 0) & (points[:, 1] < points_range[1])]。
该方法在千万级点集、15×15 网格下实测耗时仅约 1.14 秒，相较双层循环（14.9 秒）提速超 13 倍，是真正兼顾简洁性、可读性与高性能的 NumPy 最佳实践。
