基于布尔掩码实现源数组到目标数组的高效复制

嘿，这个需求我太熟了！手动写循环遍历不仅代码冗余，处理大数组时效率还极低——其实不用自己造轮子，直接用布尔掩码的批量操作就能搞定，不管你用NumPy还是Pandas都有现成的高效方案，完全替代低效循环！

NumPy 实现方案 #

这是处理数值数组最常用的高效方式，NumPy底层用C实现向量化运算，比Python原生循环快几个数量级：

import numpy as np

# 示例数组（确保三者形状完全一致）
source = np.array([[1, 2, 3], [4, 5, 6]])
dest = np.array([[7, 8, 9], [10, 11, 12]])
mask = np.array([[True, False, True], [False, True, False]])

# 核心操作：用布尔掩码直接批量赋值
dest[mask] = source[mask]

原理很简单：mask作为索引会自动筛选出所有为True的位置，一次性把source对应位置的值复制到dest的对应位置，一步到位，没有任何循环开销。

Pandas DataFrame 实现方案 #

如果你的数据是DataFrame格式，同样可以用布尔掩码直接操作，逻辑和NumPy完全一致：

import pandas as pd

source_df = pd.DataFrame([[1, 2, 3], [4, 5, 6]])
dest_df = pd.DataFrame([[7, 8, 9], [10, 11, 12]])
mask_df = pd.DataFrame([[True, False, True], [False, True, False]])

# 核心操作
dest_df[mask_df] = source_df[mask_df]

Pandas底层基于NumPy，所以同样能享受到向量化运算的高效性，不用写任何循环。

小提醒 #

• 务必保证source、dest和mask三个数组/数据框的形状完全一致，否则会抛出索引不匹配的错误；
• 这种向量化操作在处理超大数组时的性能优势会特别明显，完全碾压手动循环。

内容的提问来源于stack exchange，提问作者zoombini