Numpy数组按行索引选取子数组并替换原数组的无循环实现方案

当然有！NumPy的**高级索引（Fancy Indexing）**就是专门用来解决这类无需循环的数组操作问题的，比遍历行高效得多，尤其是当数组规模较大时。

我结合你的描述，用示例代码一步步说明：

1. 先构建示例数据 #

假设我们有这样的原始数组和选取索引矩阵（你可以根据实际情况替换成自己的数据）：

import numpy as np

# 原始二维数组（示例为5行7列）
original_arr = np.arange(35).reshape(5, 7)
# 每行对应的选取索引矩阵（5行3列，每个元素是要选取的列索引）
select_indices = np.array([
    [1, 3, 0],
    [2, 5, 1],
    [0, 6, 4],
    [3, 2, 5],
    [4, 6, 2]
])

2. 无需循环提取目标子数组 #

要从原始数组的每行中按指定索引选取列，我们只需要生成对应的行索引，再结合列索引矩阵即可完成向量化提取：

# 生成行索引：把行号转换成列向量，和列索引矩阵的形状匹配
row_indices = np.arange(original_arr.shape[0])[:, np.newaxis]
# 一步得到每行按索引选取后的子数组
sub_arr = original_arr[row_indices, select_indices]

这样sub_arr就是你需要的右侧子数组，完全没有循环，NumPy会在底层用C实现的向量化运算完成操作，效率比Python循环高得多。

3. 无需循环替换原始数组 #

接下来用底部子数组替换原始数组的对应部分，同样用索引直接操作：

• 如果要替换原始数组的最后N行（比如最后2行）：

# 假设"底部子数组"是选取后子数组的最后2行
bottom_sub_arr = sub_arr[-2:]
# 直接替换原始数组的对应行
original_arr[-2:] = bottom_sub_arr

• 如果要替换原始数组中每行的指定列（也就是你选取时用的那些列）：

# 替换原始数组每行中对应select_indices的列（这里用底部子数组的对应行匹配替换）
original_arr[row_indices, select_indices] = bottom_sub_arr[-2:, :]

为什么这比循环更优？ #

NumPy的向量化操作避免了Python循环的性能开销，当数组行数较多时，这种方式的运行速度会比遍历循环快几十甚至上百倍，同时代码也更简洁易读。

内容的提问来源于stack exchange，提问作者Cron Merdek