如何根据pandas DataFrame的索引列与值列修改numpy零数组

直接用numpy花式索引做向量化赋值即可，无Python层循环，是性能最优的方案。

完整示例代码 #

import pandas as pd
import numpy as np

# 构造题述的DataFrame
df = pd.DataFrame({'x': [2, 3, 5], 'y': [4, 1, 9]})
# 初始化长度为6的全零数组
arr = np.zeros(6, dtype=int)

# 核心赋值操作
arr[df['x'].to_numpy()] = df['y'].to_numpy()

执行后arr的输出为：

array([0, 0, 4, 1, 0, 9])

注意事项 #

• 该实现全程走numpy底层向量化逻辑，执行效率远高于iterrows逐行遍历、apply逐值映射等写法，数据规模越大性能差距越明显。
• 调用.to_numpy()将pandas Series转为原生numpy数组，可以跳过pandas的索引对齐检查，赋值速度更快；如果数据量小，直接写arr[df['x']] = df['y']也能得到正确结果。
• 你已经确认x列值唯一、且所有x值都在目标数组的索引范围内（本题为0-5），不会出现索引越界、同索引重复赋值覆盖的问题，可直接复用该逻辑。

内容的提问来源于stack exchange，提问作者1_million_bugs