如何实现Numpy数组按指定规则的最快转换？

直接用Numpy内置的向量化操作就能搞定，完全不用写for循环，速度拉满。这里推荐两种高效方法：

方法一：用np.digitize（最简洁，适合多区间场景） #

np.digitize是专门为区间分箱设计的函数，底层用C实现，效率极高。只需要定义好区间边界，就能一键完成分类：

import numpy as np

# 原数组
arr = np.array([2, 5, 10, 13, 7, 9])
# 定义区间边界：[1,5)对应0，[5,10)对应1，[10,16)对应2
bins = [1, 5, 10, 16]
# 用digitize得到每个元素的区间索引，减1后就是目标分类值
result = np.digitize(arr, bins) - 1

print(result)  # 输出：array([0, 1, 2, 2, 1, 1])

原理：np.digitize会返回每个元素所在区间的右边界索引，我们设置的bins刚好对应每个分类的左起点（最后一个值是上限+1，确保15能被包含），所以减1后正好匹配你要的0/1/2分类。

方法二：嵌套np.where（适合少区间场景） #

如果区间不多，用嵌套的np.where也很直观，同样是向量化操作，速度一样快：

import numpy as np

arr = np.array([2, 5, 10, 13, 7, 9])
result = np.where(arr <= 4, 0, np.where(arr <= 9, 1, 2))

print(result)  # 输出：array([0, 1, 2, 2, 1, 1])

这两种方法都避免了Python循环的性能损耗，数组越大，比for循环的速度优势越明显——比如处理百万级元素时，速度能差几十甚至上百倍。

内容的提问来源于stack exchange，提问作者MCPMH