本文介绍多种在 numpy 数组或原生 python 中，用单行代码将变量 `a` 复制为 `b` 并按条件（如非零置 1）批量修改的高效写法，涵盖 `np.where`、walrus 运算符、列表推导式等方案，并对比性能与适用场景。

在数据处理中，常需基于原始数组 a 创建一个逻辑变换后的副本 b，例如“将所有非零元素设为 1，零值保持为 0”。虽然 np.where(a != 0, 1, 0) 简洁可靠，但若追求更紧凑的单行赋值（尤其希望复用原始数组结构并就地修改副本），Python 3.8+ 引入的海象运算符 := 提供了一种优雅解法：

b = (b := a.copy())[a != 0] = 1  # ❌ 错误：赋值链不支持

注意：上述写法语法非法——Python 不允许在赋值语句左侧嵌套带 := 的表达式。正确写法是将 := 用于表达式上下文，即先完成复制并绑定变量，再对其索引赋值：

import numpy as np
a = np.array([2, 7, -2, 0, 0, 9])

# ✅ 正确：利用 walrus 运算符在表达式中完成复制与绑定
_ = (b := a.copy())[a != 0] = 1  # 或更清晰地分两步（推荐）
# 实际推荐写法（语义明确、调试友好）：
b = a.copy()
b[a != 0] = 1

但若坚持严格单行且无副作用，可写作：

b = (lambda x: x.__setitem__(np.nonzero(x != 0), 1) or x)(a.copy())

不过该写法可读性差，不建议生产使用。

更实用的替代方案包括：

• 纯 Python 列表推导式（无 NumPy 依赖）：

  b = [1 if x != 0 else 0 for x in a.tolist()]  # 返回 list
  b = np.array([1 if x != 0 else 0 for x in a])   # 转回 ndarray

• np.where（最通用、最易理解）：

  b = np.where(a != 0, 1, 0)

• 布尔索引 + 原地修改（需显式 copy）：

  b = a.copy(); b[b != 0] = 1  # 两语句，但高效直观

? 性能提示（基于小数组 benchmark）：

• 列表推导式最快（≈3.4 µs），但返回 list，若需 ndarray 需额外 np.array() 转换（≈6.9 µs）；
• Walrus + 布尔索引（b := a.copy(); b[a!=0]=1）≈8.6 µs，比 np.where（≈12.3 µs）快约 30%；
• 所有方法在大数据集上时间复杂度均为 O(n)，但 NumPy 向量化操作在超大数组中内存局部性更优。

✅ 总结建议：

• 追求可读性与维护性 → 用 np.where(a != 0, 1, 0)；
• 追求极致简洁且使用 Python 3.8+ → b = a.copy(); b[a != 0] = 1（两行，但语义清晰）；
• 无 NumPy 环境 → 列表推导式 [1 if x else 0 for x in a]；
• 避免过度优化：除非在性能关键路径，否则优先选择最直白、最不易出错的写法。