基于条件修改NumPy数组值：原子键合邻接矩阵构建问题

你的问题核心是原子编号采用1起始规则，但NumPy数组索引是0起始，直接用原原子编号作为索引会导致位置错位，甚至触发索引越界错误（比如原子7对应数组第7位，但数组实际只有0-6共7个有效索引）。

修复循环代码 #

只需把原子编号减1，转换成0-based索引即可：

import pandas as pd
import numpy as np

d = {'atom1':[1, 1, 2, 2, 2, 3, 3, 4, 4, 5, 5, 6, 6, 7, 7],
     'atom2':[2, 7, 3, 1, 6, 4, 2, 3, 5, 4, 6, 5, 7, 1, 6]}
df = pd.DataFrame(d)

array = np.zeros((7, 7), dtype=int)

for i, row in df.iterrows():
    a1 = row['atom1']
    a2 = row['atom2']
    # 转换为0-based索引
    a1_idx = a1 - 1
    a2_idx = a2 - 1
    array[a1_idx, a2_idx] = 1
    array[a2_idx, a1_idx] = 1

print(array)

运行后第一行会输出[0 1 0 0 0 0 1]，对应原子1（索引0）与原子2（索引1）、原子7（索引6）的键合关系，完全符合你的预期。

更高效的向量化实现 #

如果处理的键合数据量较大，循环遍历效率偏低，可以用向量化操作一次性完成赋值：

import pandas as pd
import numpy as np

d = {'atom1':[1, 1, 2, 2, 2, 3, 3, 4, 4, 5, 5, 6, 6, 7, 7],
     'atom2':[2, 7, 3, 1, 6, 4, 2, 3, 5, 4, 6, 5, 7, 1, 6]}
df = pd.DataFrame(d)

array = np.zeros((7, 7), dtype=int)
# 提取原子编号并批量转换为0-based索引
atom1_idx = df['atom1'].values - 1
atom2_idx = df['atom2'].values - 1
# 批量赋值键合关系
array[atom1_idx, atom2_idx] = 1
array[atom2_idx, atom1_idx] = 1

print(array)

这种方法无需逐行遍历，执行速度更快，最终结果和循环版本完全一致。

内容的提问来源于stack exchange，提问作者Landon Gaber