如何高效实现按索引数组将值数组对应元素累加至目标数组？

嘿，这个场景我太有体会了！Python循环处理大数据量的时候简直是灾难，尤其是你说的百万级数据对，那速度慢到让人抓狂。好在numpy给我们提供了专门的工具，完全不用手动写循环就能搞定，性能直接拉满～

首先给你上最直接的解决方案：用np.add.at函数，它就是专门为这种按重复索引原地累加的场景设计的，底层是C实现的，完全避开了Python循环的开销。代码写起来超简单：

import numpy as np
values = np.array([1,2,3,4,5])
indices = np.array([0,2,2,3,0])
target = np.zeros((4))

# 核心就这一行
np.add.at(target, indices, values)
print(target)  # 输出就是你要的array([6., 0., 5., 4.])

为什么这个比循环快？因为Python的for循环每一次迭代都要做类型检查、上下文切换这些额外操作，而numpy的内置函数是直接在底层对数组内存做操作，百万级的数据对处理起来也是毫秒级的事儿。

另外还有个备选方案：np.bincount，这个函数可以直接统计每个索引对应的权重总和，用它也能实现需求，代码更简洁：

result = np.bincount(indices, weights=values, minlength=len(target))
print(result)  # 同样得到array([6., 0., 5., 4.])

这里要注意两者的区别：

• 如果你的target数组本来就有初始值（不是全零），np.add.at可以直接在原数组上累加，非常方便
• 而np.bincount是生成一个新数组，如果要和原target结合，得写成target += np.bincount(indices, weights=values, minlength=len(target))

最后给你总结下怎么选：

• 原地修改已有目标数组 → 用np.add.at
• 直接生成新的结果数组 → 用np.bincount，性能同样优秀

备注：内容来源于stack exchange，提问作者calquigs