如何按行列填充numpy数组？寻求替代for循环的高效方法

嘿，这个问题问得很到位！用for循环确实能实现需求，但NumPy本身提供了高效的向量化操作，完全不需要循环，不仅速度快得多，代码也更简洁易读。

先假设我们有一个二维NumPy数组作为示例：

import numpy as np
# 生成一个5x5的随机数组作为测试网格
grid = np.random.rand(5, 5)

下面两种方法都能快速完成边界填充，比for循环高效太多：

方法一：直接索引赋值（最直观） #

这是最常用也最直接的方式，利用NumPy的切片索引一次性赋值：

# 填充第一行和最后一行的所有元素
grid[0, :] = 4
grid[-1, :] = 4

# 填充第一列和最后一列的中间行（避免重复覆盖首尾行的元素，当然重复赋值也不影响结果）
grid[1:-1, 0] = 4
grid[1:-1, -1] = 4

简单解释： #

• grid[0, :] 表示选取数组的第一行所有列，直接赋值为4
• grid[-1, :] 是选取最后一行所有列，逻辑同上
• grid[1:-1, 0] 选取从第二行到倒数第二行的第一列，这样就不会重复处理已经设置好的首尾行第一列元素
• grid[1:-1, -1] 同理处理最后一列的中间行

方法二：掩码批量赋值（更灵活） #

如果需要复用边界标记逻辑，或者想更清晰地标记需要修改的位置，可以用布尔掩码：

# 创建一个和网格形状相同的布尔数组，初始全为False
mask = np.zeros(grid.shape, dtype=bool)
# 标记所有边界位置为True
mask[0, :] = True
mask[-1, :] = True
mask[:, 0] = True
mask[:, -1] = True

# 给所有标记为True的位置赋值为4
grid[mask] = 4

这种方式适合需要多次对边界进行操作的场景，逻辑清晰易懂。

为什么这两种方法比for循环好？ #

• 性能碾压：NumPy的向量化操作是底层用C实现的，远快于Python层面的for循环，当数组规模越大（比如1000x1000甚至更大），性能差距会非常显著
• 代码简洁：几行代码搞定，不需要写嵌套循环或者遍历逻辑，可读性更强
• 符合NumPy设计理念：NumPy的核心就是通过向量化操作替代循环，充分发挥其数值计算的优势

你可以用timeit模块自己测试一下，比如对比1000x1000数组的循环实现和向量化实现的耗时，差距一目了然~

内容的提问来源于stack exchange，提问作者TSR