如何用Numpy实现二维矩阵指定索引范围内的累积计数？

嘿，这个需求用NumPy的广播机制就能完美解决，完全不用写繁琐的循环，非常符合Pythonic的风格！

先直接上代码，对应你给出的3x3矩阵、目标位置(1,1)的场景：

import numpy as np

# 定义矩阵的尺寸
rows, cols = 3, 3
# 目标位置(x,y)（这里是0-based索引，对应你例子中的需求）
x_target, y_target = 1, 1

# 生成行索引矩阵（形状为(rows, 1)，用于广播）
row_indices = np.arange(rows)[:, np.newaxis]
# 生成列索引矩阵（形状为(1, cols)，用于广播）
col_indices = np.arange(cols)

# 生成布尔掩码：筛选出行号≤x_target 且 列号≤y_target的区域
mask = (row_indices <= x_target) & (col_indices <= y_target)
# 将布尔矩阵转为整数矩阵（1表示符合条件，0表示不符合）
result_matrix = mask.astype(int)

print(result_matrix)

运行后输出完全符合你的预期：

[[1 1 0]
 [1 1 0]
 [0 0 0]]

为什么这个方法可行？ #

核心是利用了NumPy的广播机制：

• np.arange(rows)[:, np.newaxis]把一维行索引转成列向量（比如3行时是[[0], [1], [2]]）
• np.arange(cols)是一维列索引（比如3列时是[0,1,2]）
• 当对两者做比较时，NumPy会自动将它们广播为相同的(rows, cols)形状，每个位置对应行号和列号，再通过逻辑与&合并条件得到布尔矩阵，最后转成整数就得到了你要的累积计数矩阵。

这个方法不仅简洁，而且效率极高——基于NumPy底层的C实现，比Python循环快得多，哪怕处理超大矩阵也能轻松应对。如果需要调整矩阵尺寸或目标位置，只需要修改对应参数即可，扩展性拉满。

内容的提问来源于stack exchange，提问作者TugRulz