我很确定有一个更简单的方法，因为我的解决方案是O（nmp），（n×m是矩阵a的大小，p是矩阵M中的列数。
当它应该有可能有一个O（np）的解决方案时（对于矩阵m中的每一列，我们访问矩阵a的匹配列，并搜索行）。
但至少它是“矢量化的”;它不使用python for循环

col=np.arange(a.shape[1])
mask=(m[0][:,None,None]==col[None,None,:]) & (m[1][:,None,None]==a)

创建三维布尔掩码。轴0表示m的每一列。轴1和2是a的行和列。
如果m[1,k]等于a[i,j]且j（又名col[k,i,j]）等于m[0,k]，则该掩码中的位置k,i,j为True。
因此，掩码中位置k,i,j处的True意味着在a的位置i，j处，存在等于m[0,k]的值
我们需要将m[2,k]添加到a中的[i,j]位置。并在同一rowi，但列m[1,k]添加m[3,k]。
所以剩下的

k,i,j=np.where(mask) 
a[i,j] += m[2]
a[i, m[1,k]] += m[3]

当然，如果您希望保持原始a的完整性，则需要在此之前创建a的副本
所以匹配函数

def withoutFor(a,m):
    col=np.arange(a.shape[1])
    k,i,j=np.where((m[0][:,None,None]==col[None,None,:]) & (m[1][:,None,None]==a))
    c=a.copy()
    c[i,j] += m[2]
    c[i, m[1,k]] += m[3]
    return c

非矢量化版本

为了强调我最初的观点（从复杂性的Angular 来看，它不是最佳的），下面是如何使用for循环来完成的

def withFor(a,m):
    c=a.copy()
    for v in m.T:
        row=np.where(a[:,v[0]]==v[1])[0][0]
        c[row,v[0]] += v[2]
        c[row,v[1]] += v[3]
    return c

复杂性低一个数量级。不过，它是3倍慢与您的例子。它可能会随着更大的例子而改变

编辑：双向

实际上，我只需要编写for loop版本就可以实现这个版本也可以“矢量化”。所以我们可以鱼与熊掌兼得。也就是说，有一个O（np）版本，不使用for循环

def bothWay(a,m):
    row=np.where((a[:, m[0,:]]==m[1,:]).T)[1] 
    c=a.copy()
    c[row, m[0]] += m[2]
    c[row, m[1]] += m[3]
    return c

即使在你的小例子中，它也比其他两个方法快。在更长的时间里应该会赢得更多。
a[:, m[0,:]]是一个5×15矩阵，其列是m的第一行中给定的列（即一个5×15矩阵，其元素i,j是矩阵a的元素i,m[0,j]）
所以(a[:, m[0,:]]==m[1,:])是一个5×15的布尔矩阵，其在i,j位置的元素为真当且仅当矩阵a的元素i，m[0，j]等于m的第1行第j列的值。换句话说，我不知道。换句话说，在每个j=0到14列中，你在行位置有True，在列m[0,j]中你可以找到m[1,j]中的值。
例如，这个布尔矩阵的第7列在第1行（第二行）包含True，因为在矩阵a的第1列（1是我们在m的第7列第1行找到的）中，你在第1行找到了4（m的第7列第2行）。
因此，该矩阵具有m那么多列。每列包含一个，而且只有一个True。匹配行，其中，在矩阵a中，我可以在m的第1行中指示的列中找到m的第2行中的值。
通过转置这个布尔矩阵，我得到一个15×5的布尔矩阵。由于np.where的工作顺序，这确保了我将获得15的位置。
因此np.where((a[:, m[0,:]]==m[1,:]).T)[1]是我需要知道的15行。（...[0]只是数字0到14）对于m的每一列，这给予我a的行号，我可以在m的第一行指示的列中找到m的第二行中的值。
所以，a[row]是15，我需要改变的15行，对于m的每15列。a[row, m[0]]是15个值，在那些行、列m[0]的a中找到。我需要把在m[2]中找到的15个值加到这15个值上。同样，a[row, m[1]]是匹配列中相同行的15个值。我需要将在m的第4行中找到的15个值添加到其中。