如何用更Pythonic的方法将numpy单1数组转为1基索引列向量

你原来的代码输出嵌套元组结构的原因有两点：

• np.where传入1维单行数组时，返回的是对应维度坐标数组组成的元组，需要多层拆包才能拿到实际的标量下标值
• numpy默认下标从0开始计数，你期望的输出是从1开始的序号，需要做固定数值偏移

方案1：单语句实现（最推荐） #

因为你的二维数组每行有且仅有一个值为1的元素，不需要逐行循环，用numpy内置的argmax方法一步到位：

a1 = (np.argmax(a, axis=1) + 1).reshape(-1, 1)

实现逻辑拆解：

• np.argmax(a, axis=1) 逐行扫描，返回每行最大值（也就是那个1）对应的列下标，输出为一维数组 [0, 0, 2, 2, 5, 3]
• 整体做+1偏移，把0起始的下标转成你需要的1起始计数，得到结果 [1, 1, 3, 3, 6, 4]
• reshape(-1, 1) 把一维结果转成n行1列的列向量，和你期望的输出格式完全匹配

方案2：批量等值查询（适配更通用的场景） #

如果需要保留等值判断的逻辑（比如后续数组中1的位置不固定、甚至出现多个值的场景），不要逐行循环调用np.where，直接对整个二维数组一次性做底层遍历拿结果：

# 一次性匹配整个数组的1值，拆分出对应的行、列坐标
row_coord, col_coord = np.where(a == 1)
# 偏移下标后转成列向量格式
a1 = (col_coord + 1).reshape(-1, 1)

这种方法没有Python层的循环开销，全程是numpy底层的C实现，效率远高于逐行遍历的写法。

如果硬要保留逐行循环的写法，至少也要把嵌套结构拆包、做下标偏移，否则拿不到标量值：

a1 = []
for item in a:
    # 拆两层嵌套结构拿到标量下标，再加1做计数偏移
    a1.append(np.where(item==1)[0][0] + 1)
a1 = np.array(a1).reshape(-1, 1)

但这种写法本质是绕开numpy的向量化能力，既不够简洁，效率也更低。

内容的提问来源于stack exchange，提问作者sheth7