如何将numpy整数数组高效转换为对应位为1的二进制数组（无循环）

当然有更高效的实现方式！numpy最擅长的就是用矢量化操作替代Python循环，既能让代码更简洁，运行速度也会快很多，尤其是当你的数组规模比较大的时候。下面给你两种常用的方法：

方法一：利用np.eye直接索引 #

np.eye(n)会生成一个n×n的单位矩阵，我们可以直接用你的索引数组去提取对应行，一步到位得到独热编码数组：

import numpy as np

dummy_indices = np.array([0,1,2,0,0,1,3])
num_classes = 1 + np.max(dummy_indices)
# 直接通过索引获取单位矩阵的对应行
dummy_array = np.eye(num_classes)[dummy_indices]

运行后得到的结果和你要的完全一致，而且全程没有循环，numpy内部会用优化后的C代码执行操作，速度比循环快得多。

方法二：高级索引批量赋值 #

如果你更倾向于手动初始化数组，也可以用numpy的高级索引一次性完成赋值，同样不需要循环：

import numpy as np

dummy_indices = np.array([0,1,2,0,0,1,3])
num_samples = dummy_indices.shape[0]
num_classes = 1 + np.max(dummy_indices)

dummy_array = np.zeros((num_samples, num_classes), dtype=np.float64)
# 用arange生成行索引，和dummy_indices配对完成批量赋值
dummy_array[np.arange(num_samples), dummy_indices] = 1

这种方法的核心是利用np.arange(num_samples)生成每个元素的行位置，再和列索引dummy_indices配对，一次性给所有目标位置赋值为1，避免了Python层面的循环开销。

为什么这两种方法更快？ #

你原来的循环是在Python层面逐行遍历，每次循环都要做一次索引赋值，当数组规模变大（比如十万、百万级元素）时，这种操作的开销会非常大。而矢量化操作是把整个数组的计算交给numpy的底层C实现，能充分利用CPU的向量化指令，效率提升非常明显。

内容的提问来源于stack exchange，提问作者AB_IM