如何在Julia中从CartesianIndex向量查找指定维度值的元素

这里有几种比转矩阵用findall更简洁高效的实现方式，直接针对CartesianIndex向量操作：

方式一：用filter直接筛选 #

借助filter函数配合匿名函数，直接检查每个索引的第d个分量：

f(CI, d, k) = filter(ci -> ci[d] == k, CI)

测试效果和预期一致：

julia> CI = [CartesianIndex(1, 3, 1), CartesianIndex(1, 1, 4), CartesianIndex(2, 2, 3), CartesianIndex(1, 2, 4), CartesianIndex(1, 1, 1)]
5-element Vector{CartesianIndex{3}}:
 CartesianIndex(1, 3, 1)
 CartesianIndex(1, 1, 4)
 CartesianIndex(2, 2, 3)
 CartesianIndex(1, 2, 4)
 CartesianIndex(1, 1, 1)

julia> f(CI,1,2)
1-element Vector{CartesianIndex{3}}:
 CartesianIndex(2, 2, 3)

julia> f(CI,2,1)
2-element Vector{CartesianIndex{3}}:
 CartesianIndex(1, 1, 4)
 CartesianIndex(1, 1, 1)

方式二：数组推导式生成结果 #

用Julia的数组推导式语法，直接生成符合条件的元素向量，可读性很强：

f(CI, d, k) = [ci for ci in CI if ci[d] == k]

这个写法和filter效果完全一样，只是语法风格更偏向数组构造，看个人习惯选择。

方式三：广播+布尔索引（性能优先） #

如果追求极致性能，可以先批量提取所有元素的第d分量，再用布尔掩码筛选原向量：

f(CI, d, k) = CI[getindex.(CI, d) .== k]

这种方式先通过getindex.(CI, d)广播提取所有第d分量的值，生成布尔数组后直接索引原向量，避免了额外的函数调用开销，适合处理大规模数据的场景。

优势说明 #

这些方法都不需要把CartesianIndex向量转成矩阵，直接操作原数据，既减少了内存消耗，又让代码更简洁直观，完全贴合Julia的数组操作习惯，性能也不比转矩阵的方法差。

内容的提问来源于stack exchange，提问作者Sakurai.JJ