如何通过行列值索引数组用numpy快速生成目标ndarray矩阵

numpy 没有提供和 scipy.sparse 构造接口完全一一对应的稠密矩阵一步生成函数，但完全可以通过零循环的内置接口实现等价逻辑，性能比走 scipy 路径更高，刚好适配你提到的小矩阵、运行提速的需求。

场景1：无重复索引位置（或需要对重复位置的值取最后一次赋值结果） #

这是性能最优的实现，全程无Python层循环，底层是C级批量赋值，比其他方案快一个量级：

1. 先根据目标矩阵的实际尺寸初始化全零ndarray
2. 直接用行列索引的组合做花式索引批量赋值

你给出的示例的完整可运行代码如下：

import numpy as np

row_index = np.array([0,1,2])
column_index = np.array([2,1,0])
value = np.array([4,5,6])

# 定义目标矩阵的尺寸：M行N列
M, N = 3, 3
# 初始化全零矩阵，指定数据类型和值数组一致，避免隐式类型转换的额外开销
result = np.zeros((M, N), dtype=value.dtype)
# 批量完成索引赋值，无手动循环
result[row_index, column_index] = value

运行后得到的result和你预期的矩阵完全一致。如果存在重复的索引位置，这种直接赋值的逻辑是保留最后一次出现的对应值，和Python层面循环赋值的结果完全一致。

场景2：存在重复索引位置（和scipy.sparse默认构造逻辑对齐，即相同坐标的值自动累加） #

如果你之前使用scipy稀疏构造时，依赖的是“相同坐标位置的数值自动累加”的默认行为，上面的直接赋值会把同位置的前序值覆盖掉，这时候可以用numpy内置的np.add.at实现，依然不需要手动写Python循环：

result = np.zeros((M, N), dtype=value.dtype)
np.add.at(result, (row_index, column_index), value)

这个方法虽然比直接花式索引稍慢，但因为你提到矩阵整体规模不大，开销完全在可接受范围内，远低于构造稀疏矩阵再转稠密的耗时。

对于规模不大的稠密矩阵，走scipy.sparse.csc_matrix(...).toarray()的路径反而有更多额外开销：

• 需要加载scipy的稀疏模块逻辑，带来额外内存占用
• 构造稀疏结构的过程本身包含格式校验、索引排序的固定开销
• 最后转稠密矩阵还需要一次全量数组拷贝

以上两步纯numpy实现的总耗时通常是scipy路径的1/3到1/10，完全匹配你的提速需求。

• 如果你的索引存在越界，numpy会直接抛出索引错误，和scipy的行为保持一致，不会出现静默的内存越界问题
• 只要不存在需要累加的重复索引，优先用直接花式索引赋值的写法，这是目前numpy生态里最快的稠密索引赋值实现
• 对于千级以内尺寸、万级以内非零元素的矩阵，以上实现的性能完全可以满足日常运行提速需求，不需要额外引入其他依赖

内容的提问来源于stack exchange，提问作者Zihang