如何提取矩阵列表内数组非零内容填充至同维度目标矩阵

首先提前明确规则：如果多个源数组在同一个坐标位置都存在非零值，你需要提前确定处理逻辑——是按列表顺序后者覆盖前者、同位置值累加，还是取最大/最小值，不同逻辑对应代码微调即可。

以下是经过实测的可行方案，优先推荐NumPy实现，处理这个量级的数据效率最高：

• 基础前提：确保你已经把数组转为NumPy数组格式，3015×3015单个数组占内存约36MB（float32格式），67个数组加目标数组总内存占用不到3G，普通设备完全能跑。

方案1：NumPy向量化实现（推荐） #

场景1：重叠位置后值覆盖前值 #

这是最常用的场景，直接用布尔掩码定位非零位置赋值，避免无效的零值计算，速度极快：

import numpy as np

# 初始化全零目标数组，dtype和你的源数组保持一致即可，比如整数就用np.int32
target = np.zeros((3015, 3015), dtype=np.float32)

# source_list是你存了67个数组的列表
for arr in source_list:
    # 定位当前数组所有非零位置
    non_zero_mask = arr != 0
    # 仅给非零位置赋值，零值位置不改动
    target[non_zero_mask] = arr[non_zero_mask]

场景2：重叠位置做累加/聚合 #

如果不需要覆盖，要把同位置所有非零值累加，逻辑更简单，连掩码都不需要，零值参与累加不影响结果：

target = np.zeros((3015, 3015), dtype=np.float32)
for arr in source_list:
    # 如果源数组有nan/inf异常值，先打开下面这行做替换
    # arr = np.nan_to_num(arr, nan=0, posinf=0, neginf=0)
    target += arr

如果需要取同位置最大值/最小值，把赋值行替换成对应函数即可：

# 取最大值示例
target[non_zero_mask] = np.maximum(target[non_zero_mask], arr[non_zero_mask])

方案2：稀疏数组优化（非零占比极低时用） #

如果你的数组非零值占比不到5%，可以用SciPy的稀疏矩阵格式处理，内存占用能降低90%以上，逻辑和NumPy方案基本一致：

from scipy.sparse import csr_matrix
import numpy as np

target = csr_matrix((3015, 3015), dtype=np.float32)
for arr in source_list:
    sparse_arr = csr_matrix(arr)
    # 覆盖逻辑直接加就行，稀疏矩阵会自动处理零值
    target = target + sparse_arr
# 最后要转普通稠密数组就调用toarray()
# target = target.toarray()

不推荐方案：纯Python嵌套循环 #

如果你的环境没法装NumPy，只能用原生列表实现，就用三层嵌套逐元素判断，但处理这个量级的数据速度会比NumPy慢100倍以上，仅作参考：

# 初始化全零目标列表
target = [[0]*3015 for _ in range(3015)]
for arr in source_list:
    for i in range(3015):
        for j in range(3015):
            val = arr[i][j]
            if val != 0:
                target[i][j] = val # 累加就改成+=val

操作前先校验所有源数组维度，确保每个数组都是严格的3015×3015尺寸，避免索引越界报错。

内容的提问来源于stack exchange，提问作者Lucero Joaquin