如何在Numpy中高效实现类似np.put的数组指定位置累加求和（无循环）

开发者阿泽

2026-5-19

高效实现类似numpy.put的累加操作（而非替换）

嘿，这个需求完全可以用NumPy的原生矢量化操作高效解决，根本不需要写循环！下面给你两种实用的方案，都是性能拉满的选择：

方法一：用`np.add.at`（最直接推荐）

np.add.at是NumPy专门用来处理原地累加的工具，完美适配你的需求——它会在指定索引位置上累加对应的值，而不是像np.put那样直接替换。而且不管索引有没有重复，都能正确处理。

举个和你例子匹配的代码：

import numpy as np

# 初始化你的数组
a = np.array([[4, 4], [2, 0]])
indices = np.array([0, 1])  # 对应扁平化后的数组索引
b = np.array([5, 6])

# 执行累加操作
np.add.at(a.ravel(), indices, b)

print(a)
# 输出结果：[[ 9 10]
#           [ 2  0]]

这里a.ravel()把二维数组扁平化，np.add.at会找到indices对应的位置，把b里的元素逐个加到a的对应位置上，完全符合你的期望。

方法二：用`np.bincount`（适合需要额外统计的场景）

如果你需要对索引的权重做额外处理，np.bincount也是个不错的选择。它会先统计每个索引对应的累加值，再加到原数组上：

import numpy as np

a = np.array([[4, 4], [2, 0]])
indices = np.array([0, 1])
b = np.array([5, 6])

flat_a = a.ravel()
# 计算每个索引的累加权重
counts = np.bincount(indices, weights=b, minlength=flat_a.size)
# 加到原数组
flat_a += counts
# 恢复原形状
a = flat_a.reshape(a.shape)

print(a)
# 同样得到期望结果

这种方法在处理大量重复索引时也很高效，不过代码比第一种稍长一些。