使用np.r_（将切片对象转换为串联）+ np.put例程：

ind_ranges = [(0,1), (3,8), (9,11)]
arr = np.zeros(15)
np.put(arr, np.r_[*[slice(*r) for r in ind_ranges]], 1)

字符串
最终arr：

array([1., 0., 0., 1., 1., 1., 1., 1., 0., 1., 1., 0., 0., 0., 0.])

型

您可以通过创建给定范围内所有索引的列表来索引所有必要的索引，然后使用该列表进行索引。

my_array = np.zeros(15)
indices = np.hstack([np.arange(*vals) for vals in indices_range_list])
my_array[indices] = 1
print(my_array)

字符串
输出量：

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

型
尽管这不会在主数组上循环，但它比原始代码慢，因为构建indices数组需要时间。

我运行了timeit，似乎没有一个建议的解决方案比for循环更快：

python3 -m timeit -s 'import numpy as np; ind_ranges = [(0,1), (3,8), (9,11)]; arr = np.zeros(15)' 'np.put(arr, np.r_[*[slice(*r) for r in ind_ranges]], 1)'

字符串
50000个循环，五局两胜：5.93 usec/循环

python3 -m timeit -s 'import numpy as np; ind_ranges = [(0,1), (3,8), (9,11)]; arr = np.zeros(15)' 'for s,e in ind_ranges: arr[s:e] = 1'

型
500000个循环，五局两胜：542纳秒/循环
所以看起来for循环是最有效的，至少在这些简单的测试中是这样。