如何不使用for循环构建结构匹配initial的指定赋值NumPy数组？

当然可以用向量化操作实现，完全不需要for循环！NumPy的高级索引特性就是专门用来处理这类批量位置赋值的场景，效率比循环高得多，尤其是数据量较大的时候。我给你一步步演示怎么操作：

先明确场景示例 #

假设我们有以下初始数据：

import numpy as np

# 和目标矩阵final结构一致的初始矩阵（这里用全0示例）
initial = np.zeros((5, 5))
# 每个元素对应value中值要填充的位置索引（二维数组，每一行是一组坐标）
index_info = np.array([[0, 1], [2, 3], [1, 4]])
# 要填充到对应位置的数值数组
value = np.array([10, 20, 30])

原来的for循环写法（作为对比） #

你提到的循环实现大概是这样：

final = initial.copy()
for idx, val in zip(index_info, value):
    final[tuple(idx)] = val

向量化实现方案 #

我们可以利用NumPy的高级索引直接完成批量赋值，完全不需要循环：

final = initial.copy()
# 将index_info转置，拆分出各个维度的索引数组
row_indices, col_indices = index_info.T
# 直接用高级索引批量赋值
final[row_indices, col_indices] = value

原理说明 #

NumPy的高级索引支持传入多个长度相同的一维数组，每个数组对应一个维度的索引。这里index_info.T把原来的N×2数组转成2×N数组，拆分后得到的row_indices和col_indices都是长度为N的一维数组，NumPy会自动将row_indices[i]和col_indices[i]配对，把value[i]赋值到final的对应位置，整个过程是底层向量化执行的，没有Python层面的循环。

拓展到更高维度 #

如果是三维甚至更高维度的矩阵，这个方法同样适用。比如三维场景：

# 三维初始矩阵
initial_3d = np.zeros((3, 3, 3))
# 三维索引数组（每一行是一组三维坐标）
index_info_3d = np.array([[0,1,2], [2,0,1], [1,1,1]])
# 对应填充值
value_3d = np.array([5, 7, 9])

final_3d = initial_3d.copy()
# 拆分三个维度的索引数组
dim1_idx, dim2_idx, dim3_idx = index_info_3d.T
final_3d[dim1_idx, dim2_idx, dim3_idx] = value_3d

这个方法和循环实现的结果完全一致，但执行效率会显著提升，尤其是当index_info的长度很大时，向量化操作的优势会非常明显。

内容的提问来源于stack exchange，提问作者Evan