Python中用给定值与索引列表填充NumPy数组的最简最快方法

针对二维零数组按对应索引批量填值的场景，运行速度最快、实现最简洁的方案是使用NumPy内置的二维花式索引做一次性批量赋值，全程在底层C层执行，无Python层循环的额外开销，性能远高于逐点遍历赋值的方案。

索引逻辑拆解 #

结合输入和目标输出，索引对应关系如下：

• 初始化数组为2行5列，行号范围[0,1]，列号范围[0,4]
• 传入的indices=[(1,2,4),(0,2,4)]格式逻辑为：
  • 第一个元组对应第0行的填充列位置，顺序与values一一匹配：列1填第一个值、列2填第二个值、列4填第三个值
  • 第二个元组对应第1行的填充列位置，顺序与values一一匹配：列0填第一个值、列2填第二个值、列4填第三个值
• 最终填充结果为[[0,a,b,0,c],[a,0,b,0,c]]，完全匹配预期。

核心实现代码 #

前置定义 #

import numpy as np
# 替换为实际业务值
a, b, c = 1, 2, 3
# 初始化目标零数组
M = np.zeros((2, 5))
values = [a, b, c]
indices = [(1, 2, 4), (0, 2, 4)]

最快批量赋值实现 #

# 构造所有填充点的行索引：每行重复len(values)次，匹配每行的填充点数量
row_idx = np.repeat(np.arange(M.shape[0]), len(values))
# 构造所有填充点的列索引：直接拼接两个行对应的列元组
col_idx = np.concatenate(indices)
# 构造对应填充值序列：values重复数组行数次，匹配行顺序
assign_values = np.tile(values, M.shape[0])
# 一次性完成全量赋值
M[row_idx, col_idx] = assign_values

方案特点 #

• 性能最优：所有索引构造、赋值操作均为NumPy底层C实现，无Python循环解释开销，处理百万级元素规模的填充任务时，性能是逐点循环赋值的几十到上百倍
• 适配性强：代码逻辑与输入格式完全对齐，不需要复杂的索引转换，减少人为操作出错概率
• 开销极低：构造临时索引数组的内存占用随填充点数量线性增长，对于常规业务规模的数组，开销可忽略

内容的提问来源于stack exchange，提问作者AJM7564