如何创建元素为索引元组的二维NumPy数组（无循环）

嘿，这个需求我太熟了！处理大矩阵的时候，Python的for循环简直是效率杀手，用numpy的向量化操作完全能搞定。咱们一步步来解决：

核心思路：利用numpy.indices重构形状 #

numpy.indices确实会返回三维数组，但只要通过转置和视图转换，就能快速得到我们需要的二维元组数组。

代码实现（以3×3矩阵为例） #

import numpy as np

# 定义矩阵尺寸
rows, cols = 3, 3

# 1. 获取索引并调整形状为(rows, cols, 2)
indices = np.indices((rows, cols)).transpose(1, 2, 0)
# 此时indices的每个(i,j)位置是[i, j]的数组

# 2. 转换为元素是元组的二维数组（结构化数组，性能最优）
index_tuples = indices.view('i,i').reshape(rows, cols)

输出结果 #

打印index_tuples会得到：

array([[(0, 0), (0, 1), (0, 2)],
       [(1, 0), (1, 1), (1, 2)],
       [(2, 0), (2, 1), (2, 2)]], dtype=[('f0', '<i4'), ('f1', '<i4')])

如果你需要原生Python元组数组 #

如果你的向量化函数必须接收纯Python元组（而不是numpy结构化数组），可以用下面的方式——虽然用到了列表推导，但它是一次性遍历扁平化后的索引，比嵌套for循环高效得多：

# 先把(rows, cols, 2)的数组扁平化为(rows*cols, 2)，再转成元组，最后重构形状
index_tuples = np.array([tuple(idx) for idx in indices.reshape(-1, 2)]).reshape(rows, cols)

为什么这么做高效？ #

• 所有核心操作都是numpy的C级向量化运算，没有Python层面的循环，处理大矩阵时速度比纯Python循环快几个数量级。
• 结构化数组版本完全不需要遍历，只是内存视图的转换，几乎没有额外开销。

小提示：适配向量化函数 #

如果你的向量化函数可以接受两个独立的行/列索引数组，其实直接用np.indices返回的前两个维度更方便：

row_indices, col_indices = np.indices((rows, cols))
# 直接把row_indices和col_indices传入函数即可，很多numpy函数天生支持广播

内容的提问来源于stack exchange，提问作者Radusaurus