numpy：有效地与索引数组求和

为了完整起见，在numpy> = 1.8中，您还可以使用

np.add

at

In [8]: m, n = np.random.rand(2, 10)In [9]: m_idx, n_idx = np.random.randint(10, size=(2, 20))In [10]: m0 = m.copy()In [11]: np.add.at(m, m_idx, n[n_idx])In [13]: m0 += np.bincount(m_idx, weights=n[n_idx], minlength=len(m))In [14]: np.allclose(m, m0)Out[14]: TrueIn [15]: %timeit np.add.at(m, m_idx, n[n_idx])100000 loops, best of 3: 9.49 us per loopIn [16]: %timeit np.bincount(m_idx, weights=n[n_idx], minlength=len(m))1000000 loops, best of 3: 1.54 us per loop

除了明显的性能劣势外，它还有两个优点：

1. np.bincount

   将其权重转换为双精度浮点数，

   .at

   将与数组的本机类型一起使用。这使其成为处理例如复数的最简单选择。

2. np.bincount

   仅将权重加在一起，您就有了

   at

   一种用于所有ufunc的方法，因此您可以重复

   multiply

   ，或

   logical_and

   或任何您喜欢的方式。

但是对于您的用例，

np.bincount