如何快速向Numpy一维数组的指定索引位置插入数值？

性能瓶颈说明 #

• 原有实现中循环调用np.insert会每次都重新分配数组内存、全量复制原有数据，待插入索引数量较多时时间复杂度为O(n²)，是耗时过长的核心原因
• 初始遍历查找NaN索引的Python原生循环效率远低于NumPy向量化操作

优化实现 #

1. 索引记录与有效数据提取 #

# 向量化判断NaN位置，无需遍历
is_nan = np.isnan(zf)
# 分别获取NaN索引、有效数据索引
inds_nan = np.where(is_nan)[0]
inds_valid = np.where(~is_nan)[0]

# 直接用索引提取有效数组，比np.delete效率更高
zphas_f = zf[inds_valid]
xf_f = xf[inds_valid]
yf_f = yf[inds_valid]

2. 原有后处理逻辑可保持不变 #

xy_f = np.concatenate((xf_f[None,:],yf_f[None,:], np.ones(xf_f.shape)[None,:]), axis=0  ).transpose()
xy_inv_f = np.linalg.pinv(xy_f)   
abc_f = np.matmul(xy_inv_f, zphas_f[:,None] )      
rem_plane = np.matmul(xy_f, abc_f)   
z_dd = zphas_f - rem_plane.transpose()[0]

# 绘图逻辑保持不变即可

3. 数组重建（毫秒级完成，替换原有循环插入逻辑） #

无需循环插入，直接批量赋值即可：

# 初始化和原数组等长的数组，直接填充待回填的默认值（此处为0，若要填NaN可改用np.full_like(zf, np.nan)）
z_dd_f_rec = np.zeros_like(zf)
# 批量将处理后的有效值放入对应索引位置
z_dd_f_rec[inds_valid] = z_dd

优化后整个重建步骤没有Python层面的循环，全部是NumPy底层向量化操作，即使是百万级长度的数组也可以在毫秒级完成，完全避免数分钟的等待。

内容的提问来源于stack exchange，提问作者Pooja Thakkar