Python如何高效实现二维数组按索引映射替换一维数组值

针对你需要把二维数组A的每个元素作为索引，从一维数组B取值生成新二维数组C的需求，按效率优先级给出以下可直接落地的方案：

最高效方案：NumPy向量化索引（大规模数据首选） #

当A的规模非常大时，NumPy底层C实现的向量化索引是性能最优的选择，完全没有Python层循环的性能开销，千万级元素规模也能在毫秒级完成计算。

1. 首先安装NumPy（已安装可跳过）：

   pip install numpy
   

2. 实现代码：

   import numpy as np
   
   # 输入数据
   A = [[1, 1], [2, 3]]
   B = [0.1, 0.2, 0.8, 0.9]
   
   # 批量索引映射，核心逻辑仅1行
   C = np.array(B)[np.array(A)].tolist()
   
   print(C) # 输出 [[0.2, 0.2], [0.8, 0.9]]，完全匹配预期结果
   

注意：使用前请确认A内所有元素的取值都在B的合法索引范围内（即大于等于0，且小于B的长度），避免触发索引越界错误。

无依赖纯Python方案 #

如果运行环境无法安装NumPy，可以用双层列表推导实现，比显式写嵌套for循环+append的写法性能高30%左右：

A = [[1, 1], [2, 3]]
B = [0.1, 0.2, 0.8, 0.9]

C = [[B[idx] for idx in row] for row in A]

该方案仅适合十万级元素以内的小规模场景，数据量较大时性能和NumPy方案会有数十到上百倍的差距。

内容的提问来源于stack exchange，提问作者Vergil