如何将矩阵A的每行快速加到矩阵C的指定行？（Numpy优化方案）

原Python循环的核心逻辑是：将矩阵A的每一行，根据index数组对应的索引值，累加到矩阵C的对应行中。以下是两种基于Numpy的高效实现方式：

方法一：使用np.add.at（完美匹配原逻辑） #

np.add.at是Numpy专门用于原地索引累加的函数，直接对应原循环的操作逻辑，且完全基于向量化实现，效率远高于Python循环。

代码示例：

import numpy as np

# 假设已初始化C(d*m), index(n), A(n*m)
np.add.at(C, index, A)

说明 #

• 该操作会直接在C的指定索引行上累加A的对应行，无需手动遍历；
• 支持C已有初始值的场景，完全复刻原循环的“累加”行为；
• 底层由C语言实现，处理大规模数据时速度提升显著。

方法二：分组求和优化（适用于C初始为全零的场景） #

如果C初始是全零矩阵，可以先对A按index分组求和，再赋值给C，这种方式在n远大于d时性能更优。

代码示例：

import numpy as np

# 初始化分组求和矩阵
group_sums = np.zeros_like(C)
np.add.at(group_sums, index, A)

# 若C已有初始值则累加，否则直接赋值
C += group_sums

补充：另一种分组求和方式（适合小维度m） #

当m较小时，也可以用布尔索引分组求和，但性能略逊于np.add.at：

for i in range(d):
    C[i] += A[index == i].sum(axis=0)

性能对比 #

Python循环的时间复杂度为O(nm)，但由于是Python层面的逐元素遍历，常数开销极大；而Numpy的向量化操作同样是O(nm)复杂度，但底层由C执行，常数开销极小，对于n、m较大的场景，速度可提升几十至上百倍。

内容的提问来源于stack exchange，提问作者Chenming Zhang