如何使用NumPy实现两个同尺寸数组的多条件元素赋值

你列出的逐位判断规则，完全可以用NumPy原生的向量化操作完成，不需要写循环遍历每个元素，计算效率和数组尺寸的适配性都更好。

最简洁的实现（无额外类型转换） #

直接通过条件判断分支匹配所有规则，最终输出的数组类型和输入完全一致，不会出现隐式类型转换：

• 逐位判断x、y是否同时为非零值，满足条件则取两者的较小值，匹配规则1
• 不满足“两边都非零”条件时，直接取x+y的结果：只要其中一侧是0，相加的结果就等于另一侧的非零值；如果两侧都是0，相加结果就是0，自动匹配规则2、3

对应核心计算仅需一行代码：

import numpy as np

# 示例输入
x = np.array([[0, 3, 3],
              [3, 3, 3],
              [0, 3, 3]])
y = np.array([[0, 0, 0],
              [0, 2, 2],
              [0, 2, 2]])

# 逐位计算结果
result = np.where((x != 0) & (y != 0), np.minimum(x, y), x + y)

运行后得到的结果和你给出的预期完全一致，且数组类型和原输入保持为整数：

array([[0, 3, 3],
       [3, 2, 2],
       [0, 2, 2]])

备选实现（适合需要兼容浮点数特殊值的场景） #

如果你的数组中除了0以外还可能出现其他特殊值（比如NaN），可以用正无穷替换的逻辑实现，规则匹配结果和前者完全等价：

1. 把x、y数组中所有值为0的位置，临时替换为正无穷np.inf
2. 对替换后的两个数组做逐元素取最小值操作
3. 把上一步结果中残留的正无穷值，重新赋值为0

代码参考：

x_masked = np.where(x == 0, np.inf, x)
y_masked = np.where(y == 0, np.inf, y)
result = np.minimum(x_masked, y_masked)
result[result == np.inf] = 0
# 如果需要转回整数类型，可加一句：result = result.astype(int)

两种实现对任意维度、任意尺寸的同形x、y数组都能直接运行，不需要根据数据规模调整逻辑。

内容的提问来源于stack exchange，提问作者ashnair1