NumPy如何将二维数组转换为三维独热编码数组（无循环实现）

核心需求是给形状(1000,20)、取值0-5的二维数组ya，在中间新增的6长度维度上做独热编码，得到形状(1000,6,20)的目标数组，完全不需要手写Python循环，有两种常用的优雅实现：

方法1：花式索引直接赋值 #

这也是你最初提到的np.zeros初始化思路的无循环版本，避免了逐元素遍历赋值的开销：

1. 按目标形状初始化全零数组，可根据存储需求选择低占用的dtype（因为仅存0/1，用np.int8比默认np.int64内存开销小87.5%）
2. 构造和ya形状严格匹配的两个索引网格，分别对应目标数组的第一维（1000长度）、第三维（20长度）
3. 直接用ya的元素值作为目标数组第二维的索引，批量赋值1即可

完整可运行代码：

import numpy as np

# 模拟生成测试用的ya：形状(1000,20)，取值范围0-5
ya = np.random.randint(low=0, high=6, size=(1000, 20))

# 初始化目标形状的全零数组
yb = np.zeros((1000, 6, 20), dtype=np.int8)

# 构造和ya形状对齐的行、列索引
row_index = np.arange(ya.shape[0])[:, np.newaxis]  # 形状(1000,1)
col_index = np.arange(ya.shape[1])[np.newaxis, :]  # 形状(1,20)

# 批量赋值：所有和ya值匹配的位置设为1
yb[row_index, ya, col_index] = 1

这个实现完全匹配你举的映射规则：比如ya[125,12]=4，对应位置会直接命中yb[125,4,12]赋值为1，其余位置保持初始化的0。

方法2：借助对角矩阵做索引+维度转置 #

代码更简洁，和你给出的一维数组转独热的简化案例逻辑完全统一：

1. 先生成长度为6的对角矩阵np.eye(6)，矩阵的第i行就是值i对应的标准独热向量
2. 直接用二维ya对这个对角矩阵做行索引，就能把ya的每个元素替换成对应的独热向量
3. 调整维度顺序得到目标形状

完整代码：

import numpy as np

ya = np.random.randint(low=0, high=6, size=(1000, 20))
yb = np.eye(6, dtype=np.int8)[ya].transpose(0, 2, 1)

形状变化逻辑说明：

• 初始对角矩阵形状为(6,6)
• 用(1000,20)的ya做索引后，中间结果形状为(1000,20,6)，即每个ya元素对应替换成长度为6的独热向量
• 转置后轴顺序从(样本维度, 原列维度, 独热维度)调整为(样本维度, 独热维度, 原列维度)，最终得到目标形状(1000,6,20)

注意事项 #

• 两种方法的计算逻辑都是NumPy底层C实现，没有Python层面的循环，处理1000*20规模的数组耗时仅微秒级
• 如果ya的取值不是从0开始的连续整数（比如取值为1-6），需要先对ya做偏移变换（比如ya = ya -1），保证索引范围和独热维度的长度匹配
• 可以直接用之前的一维简化案例验证逻辑：输入ya = [0,2,1,1,0]，用np.eye(3)[ya]得到的结果和你给出的标准独热输出完全一致。

内容的提问来源于stack exchange，提问作者JDE65