如何高效为大型Numpy矩阵的多个元素填充相同值（替代嵌套for循环）

嘿，我太懂你面对大型矩阵时写嵌套for循环的痛苦了——不仅代码臃肿，运行起来还慢得让人着急！Numpy的核心优势就是批量向量化操作，咱们完全可以用它来替代循环，既简洁又高效。

先针对你给出的例子来改，你原本想给第一行的第1、3列（注意Numpy是0起始索引）赋值，完全不用写两层循环，直接一步到位：

import numpy as np  
a = 0.5  
b = 0.6  
M = np.zeros((16,16))  
np.fill_diagonal(M, 0.9)  # 对角线元素的赋值你已经用对方法了

# 直接定位第一行的第1、3列，批量赋值a
M[0, [1, 3]] = a

如果你的需求更复杂，比如要给多个不连续的行、列组合赋值，或者满足特定条件的元素赋值，还有两种常用的高效方式：

1. 多维度索引直接定位 #

• 要是想给第0、2、4行的第1、3列赋值b，直接用列表索引：

  M[[0,2,4], [1,3]] = b
  

• 如果是连续的行/列，用切片更方便，比如给第3到第7行（含3不含8）的第5列赋值0.8：

  M[3:8, 5] = 0.8
  

2. 布尔掩码批量筛选元素 #

如果你的赋值条件是更复杂的逻辑（比如行号+列号等于某个值，或者元素本身满足某个判断），可以先创建一个布尔掩码矩阵，再给所有为True的位置赋值：

比如要给所有行号是偶数且列号是奇数的元素赋值0.7：

# 生成行和列的索引数组，利用广播生成和矩阵同形状的掩码
row_indices = np.arange(16)[:, None]  # 转成列向量，方便和列索引广播
col_indices = np.arange(16)
mask = (row_indices % 2 == 0) & (col_indices % 2 == 1)

# 给所有符合条件的元素赋值
M[mask] = 0.7

为什么这比循环高效？ #

Python的嵌套for循环每次迭代都要经过Python解释器的层层处理，开销很大；而Numpy的向量化操作是在底层用C语言实现的批量计算，能直接操作内存中的数组，完全避开了Python循环的额外开销——尤其是当矩阵规模变大（比如1000x1000甚至更大）时，速度差距会非常夸张。

内容来源于stack exchange