如何创建随机索引含NaN值的2D数组？现有两种方法，是否有简便捷径？

你的两种方法确实能实现需求，但其中有些冗余可以优化，而且还有更简洁高效的向量化实现方式——毕竟NumPy的核心优势就是避免Python循环，用底层优化的操作来提升效率。

先说说你现有方法里可以改进的点：

• 方法1中的for rows, cols in [arr1.shape]:完全是多余的，因为arr1.shape直接就能拿到(行数, 列数)，不需要循环包裹，去掉循环后代码会更简洁：

  import numpy as np
  arr1 = np.random.randint(1,11,(5,5)).astype('float')
  rows, cols = arr1.shape
  i_rows = np.random.randint(0, rows, 5)
  i_cols = np.random.randint(0, cols, 5)
  arr1[i_rows, i_cols] = np.nan
  

• 方法2的思路是先处理一维数组再reshape，其实也可以去掉循环，直接用线性索引赋值：

  arr2 = np.random.randint(1, 11, 25).astype('float')
  arr2[np.random.randint(0, arr2.size, 5)] = np.nan
  arr2 = arr2.reshape((5,5))
  

接下来是更简便的实现捷径，推荐两种风格：

方式1：直接操作二维数组的随机位置（无循环） #

利用NumPy的数组索引特性，直接生成随机的行、列索引，一次性赋值NaN：

import numpy as np

# 生成基础二维数组，直接指定dtype为float避免后续astype转换
arr = np.random.randint(1, 11, (5, 5), dtype=np.float64)
# 生成5个随机行索引和列索引
rand_rows = np.random.randint(0, arr.shape[0], 5)
rand_cols = np.random.randint(0, arr.shape[1], 5)
# 批量赋值NaN
arr[rand_rows, rand_cols] = np.nan

方式2：利用线性索引快速赋值 #

如果不需要区分行和列，直接生成全局的线性索引，用flat属性来赋值，代码更短：

import numpy as np

arr = np.random.randint(1, 11, (5, 5), dtype=np.float64)
# 生成5个不重复的随机线性索引（如果允许重复位置，去掉replace=False）
rand_indices = np.random.choice(arr.size, 5, replace=False)
# 通过flat属性直接访问线性位置并赋值
arr.flat[rand_indices] = np.nan

为什么这些方法更优？ #

• 去掉了不必要的Python循环，改用NumPy的向量化操作，在数组规模较大时，效率会比循环实现高很多（底层是C级别的运算）；
• 代码更简洁，逻辑更清晰，避免了冗余的循环结构；
• 可以直接指定dtype=np.float64，省去后续astype('float')的转换步骤。

内容的提问来源于stack exchange，提问作者zwithouta