Python 2中以最Pythonic方式向ndarray子数组写入数据

为什么你的首次尝试没生效？ #

你第一次用a[rows_to_keep,:][:,columns_to_keep] = ...修改原数组失败，核心原因是：当你用整数数组索引（比如rows_to_keep = [0,1]）选取行时，NumPy返回的是原数组的副本而非视图。后续的[:,columns_to_keep]操作都是在这个临时副本上进行的，修改的只是副本，原数组a自然不会有任何变化。

正确的批量修改方法：用np.ix_构造索引网格 #

要实现子矩阵的高效批量修改，你可以用np.ix_()函数来构造正确的索引。它能把一维的行、列索引数组转换成可选中二维子矩阵的索引网格，让赋值操作直接作用在原数组上——完全不需要循环，且支持连续/非连续的行、列索引，非常适合后续扩展。

示例1：修改连续行+连续列的子矩阵

import numpy as np

# 初始化原数组
number_of_rows = 3
number_of_columns = 3
a = np.arange(number_of_rows*number_of_columns).reshape(number_of_rows,number_of_columns)

# 定义要修改的行、列索引和新值
rows_to_keep = [0,1]
columns_to_keep = [1,2]
new_values = np.asarray([[100,101],[102,103]])

# 核心操作：用np.ix_构造索引并赋值
a[np.ix_(rows_to_keep, columns_to_keep)] = new_values

print(a)

输出结果：

array([[0, 100, 101],
       [3, 102, 103],
       [6, 7, 8]])

示例2：修改非连续行+非连续列的子矩阵

# 重新初始化数组
a = np.arange(number_of_rows*number_of_columns).reshape(number_of_rows,number_of_columns)

# 定义非连续的行、列索引和新值
rows_to_keep = [0,2]
columns_to_keep = [0,2]
new_values = np.asarray([[100,101],[102,103]])

# 同样用np.ix_构造索引赋值
a[np.ix_(rows_to_keep, columns_to_keep)] = new_values

print(a)

输出结果：

array([[100, 1, 101],
       [3, 4, 5],
       [102, 7, 103]])

原理补充：np.ix_做了什么？ #

np.ix_会把一维的行索引数组（比如[0,1]）转换成二维列向量[[0],[1]]，把一维的列索引数组（比如[1,2]）转换成二维行向量[[1,2]]。通过NumPy的广播机制，这两个数组会生成一个2x2的索引网格，正好对应你要修改的子矩阵的每个位置，从而实现精准的批量赋值。

如果你不想用np.ix_，也可以手动构造二维索引，效果完全一致：

a[rows_to_keep[:, np.newaxis], columns_to_keep] = new_values

不过np.ix_的写法更直观易读，推荐使用。

内容的提问来源于stack exchange，提问作者Rafael Valero