Python数组间基于优先级数组的映射：非一对一映射处理疑问

好问题！我刚好对NumPy里这种索引赋值的行为研究过，咱们来拆解一下非一对一映射时的具体处理逻辑：

核心规则：最后一次赋值覆盖所有前置值 #

当多个源元素通过索引数组映射到目标数组的同一个位置时，NumPy会按索引数组的顺序依次执行赋值，最终目标位置保留的是最后一次写入的值。这是因为普通的索引赋值操作是逐元素顺序执行的，NumPy不会额外检测重复索引并做聚合处理——这么设计主要是为了保证赋值操作的性能。

直观示例 #

咱们用一个小数组来验证：

import numpy as np

# 构造小的源数组
src = np.array([[1, 2], [3, 4]])
# 构造索引数组：让src的4个元素都映射到dst的(0,0)和(1,1)位置（各两次）
idx = np.array([[0, 0, 1, 1], [0, 0, 1, 1]])
# 初始化目标数组
dst = np.empty_like(src)

# 执行赋值
dst[tuple(idx)] = src.ravel()
print(dst)

输出结果会是：

[[2 0]
 [0 4]]

解释一下：src.ravel()是[1,2,3,4]，按索引顺序依次赋值：

1. 把1写入dst[0,0]
2. 把2写入dst[0,0]（覆盖了之前的1）
3. 把3写入dst[1,1]
4. 把4写入dst[1,1]（覆盖了之前的3）
   最终就得到了上面的结果。

如果你需要聚合操作（而非覆盖） #

如果你的需求不是覆盖，而是把所有映射到同一位置的源元素做聚合（比如累加、求平均、取最大值），那普通的赋值就满足不了了，得用NumPy专门的原地聚合函数：

• 累加：用np.add.at()

  dst = np.zeros_like(src)
  np.add.at(dst, tuple(idx), src.ravel())
  print(dst)  # 输出 [[3 0], [0 7]]，也就是1+2和3+4的结果
  

• 求最大值/最小值：可以用np.maximum.at()/np.minimum.at()实现原地更新最值
• 求平均：需要先统计每个索引出现的次数，再用累加结果除以次数

补充说明 #

这种“覆盖式”的行为是NumPy索引赋值的默认逻辑，官方文档里虽然没有专门针对非一对一场景做长篇幅说明，但这是顺序赋值的必然结果——毕竟NumPy的设计优先考虑数值计算的性能，额外的重复索引检测会带来不小的性能开销，所以把聚合的选择权交给了开发者。

内容的提问来源于stack exchange，提问作者ASML