Numpy/Pandas中如何通过布尔索引高效实现数组按条件赋值

针对大规模数组场景，Numpy和Pandas都提供了原生向量化赋值能力，全程无Python层循环，运算效率为底层C实现级别，完全适配大数组处理需求。
注意核心前提：IDX是0/1值数组，必须先转成布尔类型才能作为位置掩码使用，直接传入整数数组会触发位置下标索引逻辑，无法实现按单元格位置筛选赋值的效果。

Numpy 实现 #

核心逻辑仅1行，代码示例如下：

import numpy as np

# 以下为示例数组初始化，实际使用时如果已经是ndarray类型无需重复转换
X = np.array([
    [1,1,1,1],
    [2,2,2,2],
    [3,3,3,3]
])
Y = np.array([
    [-1,-1,-1,-1],
    [-2,-2,-2,-2],
    [-3,-3,-3,-3]
])
IDX = np.array([
    [1,0,0,0],
    [0,0,1,0],
    [0,1,0,1]
])

# 执行掩码赋值
X[IDX.astype(bool)] = Y[IDX.astype(bool)]

执行后打印X，输出结果完全符合预期：

[[-1  1  1  1]
 [ 2  2 -2  2]
 [ 3 -3  3 -3]]

提示：如果需要保留原始X的数据，先执行X_copy = X.copy()生成副本，再对副本做赋值操作即可，避免修改原数组。

Pandas 实现 #

如果数据存储为Pandas DataFrame格式，逻辑和Numpy完全一致，直接用布尔掩码筛选赋值即可：

import pandas as pd

# 以下为示例DataFrame初始化，实际使用时跳过
X_df = pd.DataFrame(X)
Y_df = pd.DataFrame(Y)
mask = IDX.astype(bool)

# 批量赋值
X_df[mask] = Y_df[mask]

执行后得到的DataFrame结果和预期完全一致。

常见踩坑说明 #

不要直接写X[IDX] = Y[IDX]：当IDX是整数类型数组时，Numpy/Pandas会把数组里的整数值当成行列下标选取整行/整列，比如IDX里的1会被识别为选取第1行，而不是筛选值等于1的单元格位置。转成布尔类型后，索引逻辑才会变成「选中值为True对应位置的元素」，正好匹配需求。

内容的提问来源于stack exchange，提问作者Guy Barash