我需要在满足条件的1d NumPy数组或Pandas数值序列中找到第一个值的索引。数组很大，索引可能在数组的开始或末尾附近，或可能根本不满足条件。我无法提前告诉您哪种可能性更大。如果不满足条件，则返回值应为-1。我考虑过几种方法。
# func(arr) returns a Boolean array
idx = next(iter(np.where(func(arr))[0]), -1)
但是这通常太慢了，因为func(arr)在 entire 数组上应用了矢量化函数，而不是在满足条件时停止。具体来说，在数组的 start 附近满足条件的情况会很昂贵。
np.argmax的速度稍快一些，但无法确定何时从未满足：
np.random.seed(0)
arr = np.random.rand(10**7)
assert next(iter(np.where(arr > 0.999999)[0]), -1) == np.argmax(arr > 0.999999)
%timeit next(iter(np.where(arr > 0.999999)[0]), -1) # 21.2 ms
%timeit np.argmax(arr > 0.999999) # 17.7 ms
np.argmax(arr > 1.0)返回0，即不不满足条件的实例。
# func(arr) returns a Boolean scalar
idx = next((idx for idx, val in enumerate(arr) if func(arr)), -1)
但是当在数组的 end 附近满足条件时，这太慢了。大概是因为生成器表达式因大量__next__调用而产生的开销很大。
这是否总是妥协？对于通用func，有没有办法有效地提取第一个索引？
对于基准测试，假设func在值大于给定常数时找到索引：
# Python 3.6.5, NumPy 1.14.3, Numba 0.38.0
import numpy as np
np.random.seed(0)
arr = np.random.rand(10**7)
m = 0.9
n = 0.999999
# Start of array benchmark
%timeit next(iter(np.where(arr > m)[0]), -1) # 43.5 ms
%timeit next((idx for idx, val in enumerate(arr) if val > m), -1) # 2.5 µs
# End of array benchmark
%timeit next(iter(np.where(arr > n)[0]), -1) # 21.4 ms
%timeit next((idx for idx, val in enumerate(arr) if val > n), -1) # 39.2 ms
答案 0 :(得分：4)
numba 使用numba，可以优化两个场景。从语法上讲，您只需要构造一个带有简单for循环的函数：
from numba import njit
@njit
def get_first_index_nb(A, k):
for i in range(len(A)):
if A[i] > k:
return i
return -1
idx = get_first_index_nb(A, 0.9)
Numba通过JIT（“及时”）编译代码并利用CPU-level optimisations来提高性能。没有for装饰器的常规 @njit循环通常比满足条件的情况下已经尝试过的方法慢迟到。
对于Pandas数字系列df['data']，您只需将NumPy表示形式提供给JIT编译的函数：
idx = get_first_index_nb(df['data'].values, 0.9)
由于numba允许functions as arguments，并且假定传递的函数也可以JIT编译，则可以找到一种计算第 n 个索引的方法，其中任意func都满足条件。
@njit
def get_nth_index_count(A, func, count):
c = 0
for i in range(len(A)):
if func(A[i]):
c += 1
if c == count:
return i
return -1
@njit
def func(val):
return val > 0.9
# get index of 3rd value where func evaluates to True
idx = get_nth_index_count(arr, func, 3)
对于第三个 last 值，您可以倒排arr[::-1]，并取反len(arr) - 1的结果，- 1占0 -索引。
# Python 3.6.5, NumPy 1.14.3, Numba 0.38.0
np.random.seed(0)
arr = np.random.rand(10**7)
m = 0.9
n = 0.999999
@njit
def get_first_index_nb(A, k):
for i in range(len(A)):
if A[i] > k:
return i
return -1
def get_first_index_np(A, k):
for i in range(len(A)):
if A[i] > k:
return i
return -1
%timeit get_first_index_nb(arr, m) # 375 ns
%timeit get_first_index_np(arr, m) # 2.71 µs
%timeit next(iter(np.where(arr > m)[0]), -1) # 43.5 ms
%timeit next((idx for idx, val in enumerate(arr) if val > m), -1) # 2.5 µs
%timeit get_first_index_nb(arr, n) # 204 µs
%timeit get_first_index_np(arr, n) # 44.8 ms
%timeit next(iter(np.where(arr > n)[0]), -1) # 21.4 ms
%timeit next((idx for idx, val in enumerate(arr) if val > n), -1) # 39.2 ms
答案 1 :(得分：0)
我也想做类似的事情，发现这个问题中提出的解决方案并没有真正帮助我。特别是，numba解决方案对我来说比问题本身中介绍的更常规的方法慢得多。我有一个times_all列表，通常是成千上万个元素的顺序，并且想找到times_all的第一个元素的索引，该索引比time_event大。我有数千个time_event。我的解决方案是将times_all分成例如100个元素的块，首先确定time_event属于哪个时间段，保留该时间段的第一个元素的索引，然后找到该时间段中的哪个索引，并添加两个索引。这是最少的代码。对我来说，它的运行速度比本页中的其他解决方案快几个数量级。
def event_time_2_index(time_event, times_all, STEPS=100):
import numpy as np
time_indices_jumps = np.arange(0, len(times_all), STEPS)
time_list_jumps = [times_all[idx] for idx in time_indices_jumps]
time_list_jumps_idx = next((idx for idx, val in enumerate(time_list_jumps)\
if val > time_event), -1)
index_in_jumps = time_indices_jumps[time_list_jumps_idx-1]
times_cropped = times_all[index_in_jumps:]
event_index_rel = next((idx for idx, val in enumerate(times_cropped) \
if val > time_event), -1)
event_index = event_index_rel + index_in_jumps
return event_index