在NumPy的数值计算场景中，经常需要把数组里所有等于0的位置替换成指定的值，如果直接用Python循环逐个判断赋值，当数组规模较大时会出现明显的性能瓶颈，而向量化操作可以完全避免显式循环，大幅提升执行效率。
基础方法：布尔索引直接赋值
布尔索引是NumPy向量化操作中最常用的方式，通过生成和原数组形状一致的布尔掩码，直接定位零值位置并赋值，逻辑清晰且执行速度快。
import numpy as np
# 创建测试数组
arr = np.array([[1, 0, 3], [0, 5, 0], [7, 8, 9]], dtype=int)
print("原始数组：")
print(arr)
# 生成零值位置的布尔掩码
mask = arr == 0
print("零值掩码：")
print(mask)
# 对零值位置批量赋值，这里填充为-1
arr[mask] = -1
print("填充后的数组：")
print(arr)
带条件的零值填充：结合where函数
如果需要在填充零值的同时，根据其他条件做额外判断，可以使用np.where函数，它支持三元表达式的向量化实现，写法更灵活。
import numpy as np
arr = np.array([0, 2, 0, 4, 5, 0], dtype=int)
# 当元素为0时填充为10，否则保持原值
new_arr = np.where(arr == 0, 10, arr)
print("条件填充后的数组：")
print(new_arr)
多数组联动的零值填充
如果需要根据另一个同形状数组的值来填充当前数组的零值位置，同样可以通过向量化操作实现，不需要逐元素循环。
import numpy as np
# 原始数组
arr = np.array([[0, 3, 0], [5, 0, 7]], dtype=int)
# 填充值来源数组
fill_arr = np.array([[10, 20, 30], [40, 50, 60]], dtype=int)
# 生成零值掩码
mask = arr == 0
# 用fill_arr对应位置的值填充arr的零值
arr[mask] = fill_arr[mask]
print("联动填充后的数组：")
print(arr)
不同方法的性能对比
为了验证向量化方法的优势，我们可以对比循环赋值和布尔索引赋值的执行时间，测试使用10000*10000的随机数组。
import numpy as np
import time
# 创建大规模测试数组
large_arr = np.random.randint(-5, 5, size=(10000, 10000))
test_arr1 = large_arr.copy()
test_arr2 = large_arr.copy()
# 循环方式填充零值
start = time.time()
for i in range(test_arr1.shape[0]):
for j in range(test_arr1.shape[1]):
if test_arr1[i, j] == 0:
test_arr1[i, j] = 99
loop_time = time.time() - start
print(f"循环方式耗时：{loop_time:.4f}秒")
# 向量化布尔索引方式填充零值
start = time.time()
mask = test_arr2 == 0
test_arr2[mask] = 99
vector_time = time.time() - start
print(f"向量化方式耗时：{vector_time:.4f}秒")
实际测试结果显示，向量化方式的耗时通常是循环方式的几十分之一甚至更低，数组规模越大，性能差距越明显。
注意事项
- 布尔掩码的形状必须和原数组完全一致，否则会出现赋值错误。
- 如果数组是多维的，布尔索引会自动展平匹配，不需要手动调整维度。
- 当填充值是固定值时，直接布尔索引赋值比
np.where更高效，np.where更适合带条件的复杂场景。 - 操作前确认数组的数据类型是否支持赋值的新值，避免类型转换带来的精度问题。