如何修改指定列位置的二维NumPy数组元素且不使用Python for循环

直接使用列逆序+花式索引批量赋值即可，一行代码完成：

b[:, change_cols] = a[:, ::-1]

实现逻辑说明：a[:, ::-1]会将数组a的列按照逆序排列，刚好和change_cols的索引顺序一一对应，直接批量赋值就能得到目标结果，完全避免Python层面的循环。

你观测到的性能现象是合理的，核心原因有以下几点：

• 循环迭代次数极少：你的change_cols长度仅为5，Python层面循环的额外开销（函数调用、对象包装等）总共只有5次，分摊后几乎可以忽略，完全抵不上向量化操作的额外开销。
• 花式索引的额外成本：向量化方案中使用b[:, change_cols]属于非连续内存的花式索引，NumPy会创建临时数组存储选中的列数据，再完成批量赋值，额外的临时数组创建、非连续内存拷贝的开销反而大于5次连续单列赋值的总开销。
  而for循环中每次操作b[:,i]是选取单个连续列，内存访问效率极高，单次赋值成本极低，5次累加后总耗时更短。
• splice_arange更慢的原因：该方案额外增加了np.arange数组创建、负索引计算的步骤，多了一层运算开销，所以耗时最高。
• 大数组场景依然成立的核心：你测试的大数组场景中，change_cols的长度依然是5，Python循环的总开销没有增加，而花式索引处理非连续列的成本随着数组规模变大有所上升，所以for循环的性能优势依然存在。

如果你的业务场景中change_cols的长度扩大到数百、数千级别，Python循环的累积开销就会超过向量化操作的额外成本，这时候向量化方案的性能优势才会体现出来。

内容的提问来源于stack exchange，提问作者Sun Bear