如何利用索引数组与值数组快速更新Numpy数组？可换数据结构

一、最优方案：Numpy矢量化索引赋值 #

你当前的Python循环是效率瓶颈，Numpy原生支持批量索引赋值，完全不需要循环，底层用C实现，速度提升非常明显。

直接替换你的循环代码：

import numpy as np

a = np.ones([5,5])
print("初始数组a:\n", a)
b = np.array([[1,1], [2,2], [4,4]])
c = [10,10,10]

# 批量赋值，一步完成
a[b[:, 0], b[:, 1]] = c

print("更新后的数组a:\n", a)

原理：

• b[:, 0]提取所有索引对的行号，得到一维数组[1,2,4]
• b[:, 1]提取所有索引对的列号，得到一维数组[1,2,4]
• Numpy会将这两个数组对应位置的元素作为坐标，直接给a的对应位置赋值，这是矢量化操作，避免了Python循环的开销。

二、关于是否使用字典 #

如果你的索引是离散、非结构化的，且需要频繁的键值查找，字典可能有适用场景，但对于二维数组的批量更新，字典反而不如Numpy高效。

比如用字典存储索引和值，最终还是需要遍历字典赋值：

idx_dict = {(1,1):10, (2,2):10, (4,4):10}
for (i,j), val in idx_dict.items():
    a[i,j] = val

这种方式本质还是Python循环，效率和你原来的代码差不多，甚至因为字典的键解析额外开销，速度更慢。

三、性能对比（示例） #

当索引数量很大时，矢量化的优势会非常显著，比如用timeit测试：

import timeit

def loop_assign(a, b, c):
    for i in range(len(b)):
        ind, ind2 = b[i]
        a[ind, ind2] = c[i]

def vector_assign(a, b, c):
    a[b[:,0], b[:,1]] = c

# 生成测试数据
a = np.ones([100,100])
b = np.random.randint(0, 100, size=(10000, 2))
c = np.random.rand(10000)

print("循环赋值耗时:", timeit.timeit(lambda: loop_assign(a.copy(), b, c), number=100))
print("矢量化赋值耗时:", timeit.timeit(lambda: vector_assign(a.copy(), b, c), number=100))

运行结果通常是：循环耗时是矢量化的几十到上百倍。

内容的提问来源于stack exchange，提问作者Gaurav Singh