Numpy中B[i_b][ij_b]赋值无效？如何实现向量化数组修改？

为啥B[i_b][ij_b] = True改不动原数组？ #

在NumPy里，用整数数组（比如i_b）做索引属于高级索引，这种方式返回的是原数组的副本而非视图。你执行B[i_b][ij_b] = True时，第一步B[i_b]会生成一个包含B中第0、2、4行的临时副本，后续的[ij_b] = True只是修改了这个临时副本，原数组B完全没被改动，所以最终输出还是全False。

而循环里的B[i_b[k]][ij_b[k]]，i_b[k]是单个整数，属于普通索引，返回的是原数组对应行的视图——视图相当于原数组的“别名”，修改视图会直接作用到原数组上，所以循环能生效。

不用循环，怎么实现向量化修改？ #

这里有几种高效的向量化方案：

方案1：先做掩码再批量赋值 #

先构造一个和B同形状的布尔掩码，标记出需要设为True的位置，再一次性完成赋值：

import numpy as np

A = np.arange(50).reshape(5, 10)
B = np.full(A.shape, False)

i_b = np.array([0, 2, 4])
ij_b = A[i_b] % 2 == 0

# 构造掩码：先全为False，再把选中行的对应位置替换为ij_b的值
mask = np.zeros_like(B, dtype=bool)
mask[i_b] = ij_b
B[mask] = True

print(B[i_b][ij_b])  # 输出全True

方案2：用np.ix_生成可广播索引 #

np.ix_可以将一维数组转换为可广播的多维索引，直接定位到目标位置完成赋值：

import numpy as np

A = np.arange(50).reshape(5, 10)
B = np.full(A.shape, False)

i_b = np.array([0, 2, 4])
ij_b = A[i_b] % 2 == 0

# 用np.ix_把行索引和列索引转换成可广播的形状，直接赋值
B[np.ix_(i_b, np.arange(A.shape[1]))] = ij_b

print(B[i_b][ij_b])  # 输出全True

方案3：提取扁平化的索引对 #

提取出所有需要修改的行、列索引对，再用二维索引直接赋值：

import numpy as np

A = np.arange(50).reshape(5, 10)
B = np.full(A.shape, False)

i_b = np.array([0, 2, 4])
ij_b = A[i_b] % 2 == 0

# 重复行索引，匹配每一个需要修改的列位置
row_idx = np.repeat(i_b, np.sum(ij_b, axis=1))
# 提取所有需要修改的列索引
col_idx = np.where(ij_b)[1]

# 直接给对应位置赋值
B[row_idx, col_idx] = True

print(B[i_b][ij_b])  # 输出全True

内容的提问来源于stack exchange，提问作者Puco4