如何从含行列索引与值的列表高效构建numpy数组？

给定列表l，每个元素格式为[row_index, column_index, value]，需要将对应索引位置的NumPy数组元素设为指定值。替代低效的循环填充，以下是两种高效实现方式：

方法一：矢量化索引批量赋值 #

利用NumPy的矢量化操作直接批量处理索引和值，完全避免Python循环：

import numpy as np

l = [[0, 0, 0.0],
     [0, 1, 14.0],
     [0, 2, 7.0],
     [1, 1, 0.0],
     [1, 2, 7.0],
     [2, 2, 0.0],
     [1, 0, 14.0],
     [2, 0, 7.0],
     [2, 1, 7.0]]

# 将列表转为NumPy数组，拆分索引与值
arr = np.array(l)
rows = arr[:, 0].astype(int)
cols = arr[:, 1].astype(int)
values = arr[:, 2]

# 确定目标数组的形状
max_row, max_col = rows.max(), cols.max()
array_ = np.zeros((max_row + 1, max_col + 1), dtype=values.dtype)

# 批量赋值（矢量化操作，远快于循环）
array_[rows, cols] = values

print(array_)

输出结果：

[[ 0. 14.  7.]
 [14.  0.  7.]
 [ 7.  7.  0.]]

方法二：稀疏矩阵转稠密数组（适合稀疏场景） #

如果列表中仅少数索引位置有非零值，使用稀疏矩阵构建再转换为稠密数组，内存效率更高：

import numpy as np
from scipy.sparse import coo_matrix

l = [[0, 0, 0.0],
     [0, 1, 14.0],
     [0, 2, 7.0],
     [1, 1, 0.0],
     [1, 2, 7.0],
     [2, 2, 0.0],
     [1, 0, 14.0],
     [2, 0, 7.0],
     [2, 1, 7.0]]

arr = np.array(l)
rows = arr[:, 0].astype(int)
cols = arr[:, 1].astype(int)
values = arr[:, 2]

max_row, max_col = rows.max(), cols.max()
# 构建COO格式稀疏矩阵
coo_array = coo_matrix((values, (rows, cols)), shape=(max_row + 1, max_col + 1))
# 转换为稠密NumPy数组
array_ = coo_array.toarray()

print(array_)

核心优势 #

两种方法均使用NumPy/scipy的底层矢量化实现，避开了Python循环的性能瓶颈，数据量越大，效率提升越显著。

内容的提问来源于stack exchange，提问作者Akira