向vector中插入struct？及v(data.x)索引操作的功能与复现问题

这个操作其实和插入普通数据类型没啥区别，我给你整理几个常用的方法，直接上手就能用：

• 用push_back插入结构体对象
  先定义好你的结构体，然后创建实例或者直接临时构造对象丢进去就行：

  #include <vector>
  using namespace std;
  
  // 先定义结构体
  struct SensorData {
      int id;
      float temperature;
  };
  
  int main() {
      vector<SensorData> data_list;
      
      // 方式1：先创建对象再插入
      SensorData sensor1 = {1, 25.3};
      data_list.push_back(sensor1);
      
      // 方式2：直接临时构造插入，更简洁
      data_list.push_back({2, 26.1});
      return 0;
  }
  

• 用emplace_back直接在vector里构造结构体
  这个方法更高效，因为它会直接在vector的内存空间里构造结构体，省去了额外的拷贝步骤：

  // 直接传入结构体构造函数的参数就行
  data_list.emplace_back(3, 24.8);
  

• 插入到vector的指定位置
  如果要在中间某个位置插入，用insert方法：

  // 在第一个元素的位置插入新结构体
  data_list.insert(data_list.begin(), {0, 23.5});
  

我先给你拆解这个操作的逻辑，再告诉你怎么复现：

首先这个操作本质是索引映射——用data.x里的每个元素作为索引，从v中取出对应位置的值，最后把这些值拼成一个和data.x长度一样的新向量。

先理清楚核心逻辑： #

你的v是175x1的概率向量，data.x是8156x1、元素0-400的向量，执行v(data.x)后得到8156x1的结果，说明：

• 遍历data.x的每一个元素idx，取v中第idx个位置的元素（这里要注意索引是从0还是1开始，比如MATLAB里索引从1开始，C++从0开始）
• 如果data.x里有超过174的元素（假设v的索引从0开始，最大索引是174），原代码大概率做了取模处理，把0-400的数值映射到0-174的范围内，比如idx % 175

不同环境下的复现方法： #

如果你用的是MATLAB：

这是MATLAB原生支持的索引操作，直接写就行：

% 假设v是175x1的概率向量，data.x是8156x1的整数向量
% 先处理可能的超出范围的索引（如果data.x有大于175的元素）
valid_indices = mod(data.x - 1, 175) + 1; % 把0-400映射到1-175（MATLAB索引从1开始）
result = v(valid_indices); % 得到8156x1的向量

如果你用的是C++：

C++的std::vector默认没有operator()，所以原代码要么用了数值库（比如Eigen），要么自定义了重载。我给你写一个手动实现的版本：

#include <vector>
#include <iostream>

using namespace std;

// 自定义一个支持索引映射的向量类
class ProbVector {
private:
    vector<double> vec_data;
public:
    // 构造函数，传入原始概率向量
    ProbVector(const vector<double>& v) : vec_data(v) {}

    // 重载operator()，实现索引映射
    vector<double> operator()(const vector<int>& indices) const {
        vector<double> result;
        result.reserve(indices.size()); // 提前分配内存，提升效率
        for (int idx : indices) {
            // 处理超出范围的索引，取模得到合法位置
            int valid_idx = idx % vec_data.size();
            if (valid_idx < 0) valid_idx += vec_data.size(); // 处理负数情况
            result.push_back(vec_data[valid_idx]);
        }
        return result;
    }
};

int main() {
    // 初始化175x1的概率向量
    vector<double> v(175, 0.0057); // 这里随便给个示例值
    // 初始化8156x1的索引向量data.x
    vector<int> x(8156);
    // 假设这里填充x的元素为0-400的随机值
    for (int i = 0; i < 8156; ++i) {
        x[i] = rand() % 401;
    }

    // 执行映射操作
    ProbVector prob_v(v);
    vector<double> result = prob_v(x);
    // 结果就是8156x1的向量
    return 0;
}

如果原代码用了Eigen库，那Eigen的向量原生支持类似操作，比如：

#include <Eigen/Dense>

using namespace Eigen;

int main() {
    VectorXd v(175);
    v.setConstant(0.0057);
    VectorXi x(8156);
    x.setRandom();
    x = x.cwiseAbs() % 401; // 生成0-400的元素

    VectorXd result = v(x.asArray()); // 直接用索引数组获取结果
    return 0;
}

内容的提问来源于stack exchange，提问作者user469216