如何高效生成无重复元素的NumPy有序二元组合？

这确实是个在邻接矩阵构建、有序对生成场景里很常见的需求，原来用itertools.product加掩码的方法虽然能解决问题，但先创建n²规模的数组再丢弃n个元素，确实有点浪费内存和计算资源。下面给你几个纯NumPy的高效实现方案，都能避开不必要的大中间数组：

方法一：利用索引网格+布尔过滤（直观易读） #

这个方法通过生成索引对，直接筛选出i≠j的情况，不需要先生成全量组合：

import numpy as np

a = np.array([4,2,9,1,3])
n = len(a)

# 生成所有行、列索引对
i, j = np.meshgrid(np.arange(n), np.arange(n), indexing='ij')
# 过滤掉i==j的对角线元素
mask = i != j
# 拼接对应的元素得到结果
result = np.column_stack((a[i[mask]], a[j[mask]]))

优点：代码逻辑清晰，容易理解；缺点：对于非常大的n（比如1e4以上），i和j会生成n×n的数组，占用较多内存。

方法二：直接生成非重复索引对（内存高效） #

如果你的数组规模很大，想要尽可能节省内存，可以直接生成仅包含i≠j的索引序列，避免创建全量索引网格：

n = len(a)
# 每个元素作为第一个元素时，重复n-1次（排除自身）
rows = np.repeat(np.arange(n), n-1)
# 每个元素对应的第二个元素索引：排除自身后的所有索引
cols = np.array([np.delete(np.arange(n), idx) for idx in range(n)]).ravel()
# 按索引取元素并拼接
result = np.column_stack((a[rows], a[cols]))

优点：仅生成n*(n-1)长度的索引数组，内存占用比方法一少近一半；缺点：代码稍微复杂一点，但逻辑还是很清晰的。

方法三：广播+布尔掩码（简洁高效） #

利用NumPy的广播特性生成全量组合，再过滤掉重复元素，比itertools.product的方法更高效（纯NumPy操作比Python迭代快）：

n = len(a)
# 将数组扩展为列向量，方便广播
a_col = a[:, None]
# 生成对角线掩码
mask = ~np.eye(n, dtype=bool)
# 过滤后拼接结果
result = np.stack((a_col[mask], a[mask]), axis=1)

优点：代码最简洁；缺点：同样会生成n×n的临时数组，内存占用和原方法类似，但计算速度更快。

验证结果 #

以上所有方法输出的结果都和你原来的示例一致：

array([[4, 2], [4, 9], [4, 1], [4, 3],
       [2, 4], [2, 9], [2, 1], [2, 3],
       [9, 4], [9, 2], [9, 1], [9, 3],
       [1, 4], [1, 2], [1, 9], [1, 3],
       [3, 4], [3, 2], [3, 9], [3, 1]])

如果你的数组规模特别大（比如n>1e4），优先选方法二；如果n不大，方法一或三都很合适，看你更倾向于可读性还是代码简洁度。

内容的提问来源于stack exchange，提问作者Divakar