为NumPy数组赋值时避免使用np.where的方法

这确实是Numpy逻辑索引里很常见的小坑——当你用A[ind]这种布尔索引时，返回的其实是原数组的副本而非视图，所以后续对A[ind][k]的赋值只会修改这个临时副本，根本不会影响原数组A。不过我们有几种高效的方式实现你的需求，完全不需要np.where：

方法1：合并两个掩码为一个全局布尔掩码 #

核心思路是把k这个针对ind筛选后元素的子掩码，扩展成一个和原数组A同长度的全局掩码，然后直接用这个掩码对A赋值。这样全程操作原数组的内存，没有额外的副本开销：

import numpy as np

A = np.arange(0,10)
ind = np.logical_and(A>4, A%2)
k = np.array([0,1,0], dtype=bool)

# 创建和ind同长度的空掩码
mask = np.zeros_like(ind)
# 仅在ind为True的位置填充k的值
mask[ind] = k

# 直接对原数组赋值
A[mask] = np.pi
print(A)
# 输出: [0 1 2 3 4 5 6 3.14159265 8 9]

这种方式的优势在于完全基于布尔索引的原生操作，没有额外的索引计算开销，效率最高。

为什么原来的写法不生效？ #

再补充下原理帮你理解：Numpy的布尔索引（A[bool_array]）返回的是原数组中符合条件元素的副本，这是因为布尔筛选出来的元素在原数组中不一定是连续的内存块，无法直接返回视图。所以你后续对A[ind][k]的赋值，本质上是修改这个临时副本，原数组A的内存完全没被触及。

补充：另一种整数索引的优化写法 #

如果你偏好整数索引，也可以用ind.nonzero()[0][k]直接获取目标元素的位置，但正如你所说，这种方式比布尔掩码多了一步非零索引的计算，开销略高。不过如果你的ind是非常稀疏的数组，这种方式可能内存占用更低——但大部分场景下，合并布尔掩码的方式更优。

内容的提问来源于stack exchange，提问作者jmlarson