如何基于条件将Numpy子数组高效添加至Numpy数组？

嗨，这个需求其实用Numpy的向量化操作就能完美解决，完全不用写低效的Python循环，两种常用方法分享给你：

方法一：布尔掩码原地修改 #

这种方法会直接在原数组上进行修改，适合不需要保留原数组的场景：

import numpy as np

original_array = np.array([[2,2],[2,2],[2,2],[2,2]])
sub_array = np.array([[0,0],[1,1],[0,1],[0,0]])

# 创建布尔掩码：标记sub_array中大于0的位置
mask = sub_array > 0
# 仅在掩码为True的位置替换原数组的值
original_array[mask] = sub_array[mask]

print(original_array)
# 输出：
# [[2 2]
#  [1 1]
#  [2 1]
#  [2 2]]

原理很简单：mask是一个和原数组形状相同的布尔数组，original_array[mask]会直接取出所有掩码为True的元素，然后用sub_array[mask]对应位置的值替换，全程是Numpy底层的向量化运算，效率拉满。

方法二：使用np.where生成新数组 #

如果你不想修改原数组，而是希望得到一个新数组，可以用np.where，一行代码搞定：

import numpy as np

original_array = np.array([[2,2],[2,2],[2,2],[2,2]])
sub_array = np.array([[0,0],[1,1],[0,1],[0,0]])

result_array = np.where(sub_array > 0, sub_array, original_array)

print(result_array)
# 输出和上面完全一致

np.where的逻辑是：第一个参数是条件（这里是sub_array>0），满足条件的位置取第二个参数的值（sub_array），不满足的取第三个参数的值（original_array），非常直观。

两种方法都是Numpy原生的高效操作，不管数组多大，性能都比循环好很多，根据你的需求选就行~

内容的提问来源于stack exchange，提问作者Danii Kilian