可以使用broadcasting，但注意它会创建一个(M, N, N)形状的大型中间数组（至少在纯numpy中）：

import numpy as np

A = ...
B = ...

M, N = A.shape

out = np.where(np.any(A[..., None] == np.arange(N), axis=1), B, 0.0)

输出：

array([[0.  , 0.4 , 1.5 , 0.  , 0.  ],
       [0.  , 4.  , 0.  , 0.11, 0.53],
       [0.6 , 7.4 , 0.  , 0.71, 0.  ]])

Numpy支持花哨的索引，暂时忽略“-1”条目，你可以这样做：

index = (np.arange(B.shape[0]).reshape(-1, 1), A)
result = np.zeros_like(B)
result[index] = B[index]

这是因为索引是广播的，列np.arange(B.shape[0]).reshape(-1, 1)将A中给定行的所有元素与B和result中对应的行进行匹配。
此示例未解决-1是有效numpy索引这一事实。当4（最后一列）不在A行中时，需要清除该行中与-1对应的元素：

mask = (A == -1).any(axis=1) & (A != A.shape[1] - 1).all(axis=1)
result[mask, -1] = 0.0

这里，掩码是[True, False, True]，表示即使第二行中有-1，它也包含4。
这种方法相当有效，它只会为掩码创建两个与A形状相同的布尔数组。

另一种可能的解决方案：

maxr = np.max(A, axis=1)
A = np.where(A == -1, maxr.reshape(-1,1), A)
mask = np.zeros(np.shape(B), dtype=bool)
np.put_along_axis(mask, A, True, axis=1) 
np.where(mask, B, 0)

输出：

array([[0.  , 0.4 , 1.5 , 0.  , 0.  ],
       [0.  , 4.  , 0.  , 0.11, 0.53],
       [0.6 , 7.4 , 0.  , 0.71, 0.  ]])