numpy内存引用难题：矢量化替代慢循环并获一致结果

给定以下代码：

import numpy as np

a = np.array([0,0,0,0,0,0,0,0])
b = np.array([4,2,3])
c = np.array([5,5,2])

for i, e in enumerate(c):
    a[e] += b[i]
print(a)
# 输出：[0 0 3 0 0 6 0 0]

a = np.array([0,0,0,0,0,0,0,0])
b = np.array([4,2,3])
c = np.array([5,5,2])

a[c] += b[np.arange(len(b))]
print(a)
# 输出：[0 0 3 0 0 2 0 0]

实际场景中数组c的长度极长，Python for循环执行速度过慢，因此希望使用numpy矢量化操作替代循环，但直接采用上述索引赋值方式得到的结果与循环结果不一致，推测是内存引用机制导致的问题，请问如何修改才能让两种方式得到相同的结果？

使用np.add.at()函数替代直接索引赋值，它会对重复索引对应的位置执行原地累加，完美复现循环的计算逻辑：

import numpy as np

a = np.array([0,0,0,0,0,0,0,0])
b = np.array([4,2,3])
c = np.array([5,5,2])

np.add.at(a, c, b)
print(a)
# 输出：[0 0 3 0 0 6 0 0]

原因说明 #

直接使用a[c] += b时，numpy的执行流程是：

1. 提取a[c]生成临时副本数组
2. 将临时数组与b对应元素相加
3. 把计算结果赋值回原数组a的对应位置
   当c中存在重复索引时，临时数组里的重复位置会被多次计算，但最终赋值回原数组时，仅保留最后一次的计算结果（比如示例中索引5先后被加4和2，但临时数组里该位置最终值为2，因此a[5]最终只得到2）。

而np.add.at()是原地操作，会遍历所有索引，对每个索引对应的a元素直接进行累加，完全模拟for循环的逐个累加逻辑，既能得到和循环一致的结果，又能保持矢量化操作的高效性，非常适合处理超长数组的场景。

内容的提问来源于stack exchange，提问作者string