本文介绍一种无需显式 for 循环的高效方法，利用 numpy 的唯一索引与布尔索引技术，根据时间戳顺序保留每个 (x, y) 坐标处“最新”（即时间最晚）对应的极性值，并将其映射为指定颜色写入二维图像数组。
在事件相机（event-based vision）等时序图像处理任务中，常需将大量带时间戳和极性的离散事件（如 (x, y, t, p)）渲染为帧图像。核心挑战在于：同一像素位置 (x, y) 可能对应多个事件，而我们只希望保留时间最晚（即 newest）的那个事件的极性 p，并据此设置该像素的颜色（例如 p=1 → 蓝色, p=0 → 红色）。若直接用循环逐个赋值，不仅效率低，也无法发挥 NumPy 的向量化优势。
关键思路是：按时间逆序提取每个坐标的首次出现（即原序列中的最后一次），从而保证“最新”覆盖“旧值”。具体步骤如下：
- 构造坐标矩阵并逆序处理：将 xs 和 ys 堆叠为 (2, n_p) 的 points 矩阵，并对其列（即每个事件）进行逆序（[::-1]），使时间最晚的事件排在前面；
- 获取唯一坐标对应的逆序索引：调用 np.unique(..., axis=1, return_index=True) 在逆序后的矩阵中查找每组 (x,y) 首次出现的位置（即原序列中最后一次出现）；
- 还原为原始索引：因 unique 返回的是逆序数组中的索引，需转换回原始数组索引：original_idx = n_p - unique_idx - 1；
- 向量化赋值：用 ps[unique_indices] 获取对应极性，通过布尔掩码分别对 color_p 和 color_n 进行批量索引赋值。
以下是完整可运行示例代码：
import numpy as np color_p = (0, 0, 255) # blue for positive events color_n = (255, 0, 0) # red for negative events H, W = 128, 128 n_p = 1000 # Simulate event data: coordinates, sorted timestamps, polarities xs = np.random.randint(0, W, n_p) ys = np.random.randint(0, H, n_p) ts = np.random.rand(n_p) ts.sort() # ensure chronological order — latest at end ps = np.random.randint(0, 2, n_p) # Vectorized assignment — no for-loop points = np.vstack((xs, ys)) # Get indices of last occurrence of each (x,y) in original order unique_indices = np.unique(points[:, ::-1], axis=1, return_index=True)[1] unique_indices = n_p - unique_indices - 1 # map back to original indices x_unique, y_unique = xs[unique_indices], ys[unique_indices] img = np.zeros((H, W, 3), dtype=np.uint8) # Assign colors based on polarity mask_pos = ps[unique_indices] == 1 img[y_unique[mask_pos], x_unique[mask_pos]] = color_p img[y_unique[~mask_pos], x_unique[~mask_pos]] = color_n
✅ 注意事项：
- np.unique(..., axis=1) 要求输入为二维数组，因此必须使用 np.vstack 或 np.column_stack 整理坐标；
- 时间戳 ts 必须已升序排列（最新在末尾），否则 [::-1] + unique 无法保证取到“最新”事件；若原始数据无序，请先执行 idx_sorted = np.argsort(ts); xs, ys, ps = xs[idx_sorted], ys[idx_sorted], ps[idx_sorted]；
- 若需支持浮点坐标或亚像素插值，本方法不适用，应改用 scipy.ndimage.map_coordinates 或光栅化专用库（如 torchvision.ops.roi_align）；
- 内存友好提示：points[:, ::-1] 会创建视图而非副本，但 np.unique 在内部可能触发拷贝；对超大规模事件流（>1e7），建议分块处理或使用 numba JIT 加速。
该方案在保持语义正确性（严格按时间优先级更新）的同时，实现约 5–20 倍于纯 Python 循环的速度提升，是高性能事件可视化与预处理的关键技巧。
