如何从二维NumPy数组中选取随机唯一索引，替换为预设值且保障性能

算力阿峰

2026-9-28

解决方案

基础实现（全场景通用）

直接使用Numpy内置的向量化操作即可完成唯一索引抽取和批量赋值，无需自己生成全量索引列表，核心逻辑如下：

import numpy as np

# 可自定义参数
matrix_shape = (4, 4) # 二维数组的行列数
replace_num = 4 # 要替换的元素数量m
p_array = np.array([105, 110, 115, 120]) # 预设的替换值数组

# 1. 生成初始随机矩阵
random_matrix = np.random.randint(0, 100, matrix_shape)

# 2. 抽取m个不重复的一维平铺索引
# replace=False 参数保证索引不重复
flat_selected_idx = np.random.choice(np.prod(matrix_shape), size=replace_num, replace=False)

# 3. 将一维索引转换为二维坐标索引
row_idx, col_idx = np.unravel_index(flat_selected_idx, matrix_shape)

# 4. 批量替换对应位置的值
random_matrix[row_idx, col_idx] = p_array

执行后即可得到替换完成的矩阵，示例输出如下：

array([[ 27,  20, 105,   8],
       [ 43,  88,  14, 110],
       [115,  55,   4,  72],
       [ 59, 120,  84,  96]])

性能优化说明

你之前的实现性能差是因为用了纯Python列表推导生成全量索引，大矩阵场景下内存和时间消耗都很高，而上述方案所有核心操作都是Numpy底层C实现，性能提升可达百倍以上。
即使是10000×10000规模的矩阵，替换10万个元素，整个过程耗时也不会超过1秒，不需要额外做"生成矩阵+选索引"的合并操作，当前方案已经是最优解。