我有两个numpy数组，形状类似于：
A = (2000, 2000, 3)和B = (2000, 2000, 4)
我还有一组索引，比如[1,3]
我需要做的是获取两个原始数组，并创建一个新数组(2000, 2000, 5)，其中每个内部数组都是a的内部数组的全部内容，以及B的指定索引。
所以内部数组可能是：
(A[0], A[1], A[2], B[1], B[3])
我目前正在Python中直接执行此操作，如下所示：
width = 2000
height = 2000
out_data = np.empty((height, width, 5), np.float32)
for y in range(height):
for x in range(width):
out_data[y][x][:3] = A[y][x]
out_data[y][x][3] = B[y][x][1]
out_data[y][x][4] = B[y][x][3]
这很慢。我想知道的是，是否有更好的方法可以在numpy中做到这一点？
如果有一种方法可以通过扩展A来实现这一点，我很高兴，因为A和B仅用于此目的。
ix = [1, 3]
new = np.c_[A, B[:, :, ix]]
最小示例
width = 5
height = 5
A = np.arange(np.prod((width, height, 3))).reshape(width, height,3)
B = -np.arange(np.prod((width, height, 4))).reshape(width, height,4)
OP代码：
ix = [1, 3] # or (1, 3)
out_data = np.empty((height, width, 5), A.dtype)
for y in range(height):
for x in range(width):
out_data[y][x][:3] = A[y][x]
out_data[y][x][3] = B[y][x][1]
out_data[y][x][4] = B[y][x][3]
此解决方案：
new = np.c_[A, B[:, :, ix]]
>>> np.array_equal(out_data, new)
True
速度
width = 2000
height = 2000
# ...
# time of OP's: 9.55s
%timeit np.c_[A, B[:, :, ix]]
# 143 ms ± 42.6 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
您可以沿着最后一个轴排列dstack：
out_data = np.dstack([A, B[:,:,[1,3]]])
您应该能够像这样使用np.concatenate作为示例。
np.concatenate((a, b[:,:,(1,3)]), axis=2)
在2000x2000个数组作为输入时，它的运行速度大约是原始代码的61倍，大致等于直接索引。
以下内容以矢量化的方式与您的代码相同，没有for循环：
out = np.empty((2000, 2000, 5))
out[:, :, :3] = A
out[:, :, 3:5] = B[:, :, [1,3]]