NumPy如何通过掩码为数组不同行按对应阈值批量赋值？

原生内置最简洁写法 #

你当前的逻辑本质是逐元素取「数组原值」和「对应行阈值」的较小值，完全可以用NumPy内置向量化函数一行完成，去掉冗余的中间数组初始化、条件拆分计算步骤：

• 逐元素取最小值实现

# Ts[:, np.newaxis] 用于把(m,)形状的阈值转成(m,1)结构，适配广播规则
p = np.minimum(p, Ts[:, None])

• 利用数组内置的裁剪方法，可读性更强

p = p.clip(max=Ts[:, None])

两种方法的执行效率和原写法一致，对给出的示例场景，输出结果和预期完全匹配。

掩码赋值思路的适配写法 #

如果你想沿用原本的条件判断逻辑，实现类似p[cond] = Ts的赋值效果，要注意：直接写p[cond] = Ts会触发形状不匹配报错——二维布尔掩码索引返回的是一维的符合条件的元素序列，长度等于所有掩码为True的元素总个数，和长度为m的Ts维度不兼容，NumPy无法自动完成对齐赋值。
正确的掩码赋值写法是将阈值数组先广播到和p完全一致的形状，再按掩码位置做赋值：

cond = p > Ts[:, None]
p[cond] = np.broadcast_to(Ts[:, None], p.shape)[cond]

更简洁的等价向量化条件写法是用np.where，替代原有的“新建零数组、分两部分累加”的冗余逻辑：

p = np.where(p > Ts[:, None], Ts[:, None], p)

内容的提问来源于stack exchange，提问作者graphitump