NumPy如何高效实现矩阵按列与对应均值比较赋值0/1标签

你当前用双层Python循环逐元素判断的写法效率低，核心原因是没有利用NumPy内置的向量化运算和广播机制，NumPy底层由C实现，避开Python层循环开销后运算速度会有数量级提升。
另外你原有代码有个容易踩的坑：X_copy = X_train 是引用赋值，不是创建副本，修改X_copy时原始训练集X_train也会被同步改动。

一行代码实现等效逻辑 #

import numpy as np

mu = np.mean(X_train, axis=0)
# 广播逐元素比较，布尔值转整数得到0/1标签矩阵
X_copy = (X_train >= mu).astype(int)

实现逻辑说明 #

• 形状为(n, d)的样本矩阵X_train，和形状为(d,)的列均值向量mu做比较运算时，NumPy会自动触发广播机制，把mu按行复制扩展成和X_train完全同形状的矩阵，逐位置完成比较，不需要手动写循环遍历样本和特征。
• 比较操作直接返回布尔型矩阵：元素值大于等于对应列均值时为True，小于时为False。通过astype(int)把布尔值转成整数时，True会自动映射为1，False映射为0，和你要求的标签赋值规则完全一致。
• 该写法直接生成新的矩阵赋值给X_copy，不会修改原始的X_train数据，避开了原有代码引用赋值的问题。

可选显式维度对齐写法 #

如果你担心维度匹配出问题，可以显式把均值向量转为形状(1, d)的行向量，广播逻辑会更直观，运行效果和上面的写法完全一致：

X_copy = (X_train >= mu.reshape(1, -1)).astype(int)

内容的提问来源于stack exchange，提问作者Kim