Python Numpy数组赋值报错：IndexError无效索引访问标量变量

首先，咱们先拆解你遇到的IndexError: invalid index to scalar variable.错误原因：

• 错误出在np.amax(probability)[x]这部分：np.amax(probability)会计算整个probability数组的全局最大值，返回的是一个单一的标量值（不是数组），你试图用[x]去索引一个标量，这自然会触发索引错误。你真正需要的是当前行x的最大值，也就是和前面判断条件一致的np.amax(probability[x])。

除了这个核心错误，你的代码还有另外两个需要修正的问题：

1. 初始化Label时的i值问题 #

你在第一个循环里用i = i+1，但没有给i设置初始值（应该初始化为0），否则会触发NameError。而且在第二个循环开始前，需要把i重置为0，不然第一个循环结束后i已经是符合条件的样本数，再用它去索引Label（长度为i）会直接越界。

2. feature数组的索引问题 #

你提到feature是128*21000的数组，numpy数组的索引是[行,列]，如果feature的每一列对应一个样本（共21000个样本，每个样本128维特征），那么feature[x]会取第x行（并非你需要的单样本特征），你应该用feature[:, x]来获取第x个样本的128维特征，这样才能和y[x]、概率最大值拼接成130维的行数据。

修正后的完整代码 #

import numpy as np

# 先初始化i为0
i = 0
probability = ... # 你的probability数组
feature = ...     # 128*21000的特征数组
y = ...           # 标签数组

# 第一步：统计符合条件的样本数量
for x in range(0, 21000):
    if np.amax(probability[x]) > 0.2:
        i += 1

# 初始化Label数组
Label = np.zeros(shape=(i, 130))

# 重置i为0，准备填充Label
i = 0
for x in range(0, 21000):
    if np.amax(probability[x]) > 0.2:
        # 获取当前样本的128维特征、标签、该行概率最大值
        feat = feature[:, x].flatten()  # 确保是一维数组
        label_row = np.concatenate([feat, [y[x]], [np.amax(probability[x])]])
        Label[i] = label_row
        i += 1

更高效的替代写法（避免两次循环） #

其实你可以不用两次循环，直接用numpy的向量化操作来筛选符合条件的样本，代码更简洁高效：

# 计算每一行的最大值
row_max = np.amax(probability, axis=1)
# 筛选出最大值>0.2的样本索引
valid_indices = np.where(row_max > 0.2)[0]

# 直接构建Label数组
# 提取对应的特征（注意feature是128*21000，所以取列后转置）
valid_features = feature[:, valid_indices].T  # 转置后变成(n_valid, 128)
valid_y = y[valid_indices].reshape(-1, 1)     # 变成(n_valid, 1)
valid_max_prob = row_max[valid_indices].reshape(-1, 1)  # 变成(n_valid, 1)

# 拼接成Label
Label = np.hstack([valid_features, valid_y, valid_max_prob])

这种写法不仅避免了循环的冗余，还利用numpy的向量化运算提升了效率，尤其当数据量较大时优势更明显。

内容的提问来源于stack exchange，提问作者Tommaso Bendinelli