本文介绍如何高效、简洁地将一个子数组（如形状为 (3, 500) 的数组）批量赋值到更大 numpy 数组（如 (3, 1000)）的指定列区间，避免显式循环，提升代码可读性与执行效率。
本文介绍如何高效、简洁地将一个子数组（如形状为 (3, 500) 的数组）批量赋值到更大 numpy 数组（如 (3, 1000)）的指定列区间，避免显式循环，提升代码可读性与执行效率。
在 NumPy 编程中，「部分填充」是常见操作——例如将计算结果写入大数组的前若干列。面对形状为 (3, 1000) 的目标数组 psi 和形状为 (3, 500) 的源数组 b，最直观却低效的方式是使用 Python 循环：
for n in range(3):
psi[n][:500] = b[n]
虽然逻辑清晰，但违背了 NumPy 向量化设计初衷，且在大数据量下性能显著下降。
✅ 正确的 Pythonic 写法是利用 高级索引（advanced indexing） 直接完成整块赋值：
psi[:, :500] = b
该语句含义明确：对 psi 的所有行（:），取前 500 列（:500），整体赋值为 b。由于 b.shape == (3, 500) 与切片区域 psi[:, :500].shape == (3, 500) 完全匹配，NumPy 可直接广播并完成内存级拷贝，零开销、零循环、一行解决。
⚠️ 注意事项：
- psi[:][:500] = b 是常见误区：psi[:] 返回的是 psi 的视图（view），但 [:500] 对该视图按第一维切片，等价于 psi[:500, :]，结果形状为 (500, 1000)，与 b 的 (3, 500) 不兼容，因此报错。
- 若需按非连续行索引赋值（如仅更新第 0、2 行），可结合整数数组索引：
idx = [0, 2] # 指定行号 psi[idx, :500] = b[idx] # 要求 b[idx] 形状兼容
- 赋值前建议校验形状兼容性，尤其在动态维度场景中：
assert b.shape == psi[:, :b.shape[1]].shape, "Shape mismatch in partial assignment"
? 总结：NumPy 的切片语法 [:, :N] 是实现跨行批量列赋值的标准范式。它简洁、高效、可读性强，是替代显式循环的首选方案。掌握这一模式，能显著提升科学计算代码的表达力与鲁棒性。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
