如何用Numpythonic方法实现基于索引的稀疏向量转稠密向量

你原本通过以下含for循环的Python代码实现稀疏向量转稠密向量：

import numpy as np

idx = [2, 5, 6]
val = [69, 12, 15]

_ = np.zeros(idx[-1]+1)

for i in idx:
  _[i] = val[idx.index(i)]

print(_)
# dbg(_) 输出的相关信息

对应的输出为：

[ 0. 0. 69.  0. 0. 12. 15.]
(7,)  # 注：你给出的(6,)应为笔误，idx[-1]+1=7，数组长度实际为7
float64

无需循环的Numpythonic实现 #

直接利用NumPy的批量索引赋值特性，一行代码完成赋值操作，完全替代循环：

import numpy as np

idx = [2, 5, 6]
val = [69, 12, 15]

dense_vec = np.zeros(idx[-1] + 1)
dense_vec[idx] = val  # 核心：用索引列表批量定位并赋值

# 验证输出
print(dense_vec)
# 输出：[ 0.  0. 69.  0.  0. 12. 15.]
print(dense_vec.shape)
# 输出：(7,)
print(dense_vec.dtype)
# 输出：float64

说明 #

NumPy原生支持以整数列表/数组作为索引，直接对数组的多个指定位置同时赋值，这种方式完全贴合NumPy的向量化设计思想，执行效率远高于Python循环，尤其是当稀疏向量的非零元素规模较大时，性能差距会更显著。

内容的提问来源于stack exchange，提问作者Muhammad Ikhwan Perwira