如何用NumPy向量化方法获取分割后子数组的最大值？

当然可以用纯NumPy向量化方式实现，无需预先分割数组，核心是使用np.maximum.reduceat函数——它专门用于对数组的指定区间执行聚合操作，完美适配这个场景，而且效率远高于Python循环。

实现代码 #

import numpy as np
arr = np.arange(12)
ind = np.array([3, 5, 9])

# 构造完整的区间起始索引：从数组开头0开始，拼接原分割点
reduce_indices = np.concatenate([[0], ind])
# 向量化计算各区间最大值
max_values = np.maximum.reduceat(arr, reduce_indices)

print(max_values)  # 输出: array([ 2,  4,  8, 11])

原理说明 #

np.maximum.reduceat的工作逻辑是：

• 以reduce_indices中的每个索引为起点，依次计算当前索引到下一个索引前一位的元素最大值
• 最后一个索引对应的区间会直接计算到数组末尾
• 这正好和np.split(arr, ind)分割出的子数组一一对应，无需生成中间子数组列表，完全规避了Python循环的额外开销。

内容的提问来源于stack exchange，提问作者user498029