如何高效将NumPy标签数组转换为对应颜色数组？

嘿，我太懂这种慢到让人挠头的问题了！你原来的方法之所以效率低，是因为每次循环里都用np.where(B==x)去查找标签——这相当于对B做了N次线性搜索（N是A的长度），当数组规模变大时，重复计算的开销会爆炸式增长。

下面给你几个更高效的方案，全部基于NumPy的矢量操作，彻底避开Python循环的性能瓶颈：

方案一：利用np.searchsorted（最优解，支持有序/无序的B） #

如果你的B是通过np.unique生成的，那它默认是排序后的数组，直接用np.searchsorted就能一次性获取所有标签的索引：

import numpy as np

# 示例数据
A = np.array([0, 45, 45, 22, 0, 45, 45, 22])
B = np.unique(A)  # 实际输出为 [0, 22, 45]
C = np.array([[1,0,0], [0,1,0], [0,0,1]])

# 一步获取所有标签在B中的索引
indices = np.searchsorted(B, A)
# 用索引直接提取颜色
result = C[indices]

如果你的B是手动指定的无序数组（比如你示例里写的[0,45,22]），只需要加上排序索引的映射即可：

# 当B是无序时的处理
B = np.array([0, 45, 22])
C = np.array([[1,0,0], [0,1,0], [0,0,1]])

# 获取B的排序索引
sorter = np.argsort(B)
# 基于排序后的B查找索引，再映射回原B的索引
indices = sorter[np.searchsorted(B, A, sorter=sorter)]
result = C[indices]

这个方法的时间复杂度是O(N log M)（N是A的长度，M是B的长度），而且完全是NumPy底层的C实现，速度比原方法快几个数量级——比如当A有100万元素时，原方法可能要花几秒，而这个方法只需要几毫秒。

方案二：字典映射（适合小数组，代码更直观） #

如果你的数组规模不大，用字典建立标签到颜色索引的映射会更直观，而且字典查找是O(1)操作，比原方法里的np.where快很多：

# 建立标签到颜色索引的字典
label_to_idx = {label: idx for idx, label in enumerate(B)}
# 用列表推导式生成结果（比原方法快，因为字典查找无重复遍历）
result = np.array([C[label_to_idx[x]] for x in A])

# 或者用np.vectorize简化代码（本质还是循环，但更简洁）
result = C[np.vectorize(label_to_idx.get)(A)]

这个方法的优势是代码可读性高，但当A的规模很大时，Python循环的开销还是会比方案一高一些。

为什么原方法慢？ #

原方法里的[C[np.where(B==x)[0][0]] for x in A]，每次循环都要遍历整个B数组来查找x的位置，时间复杂度是O(N*M)——当N和M都超过1000时，性能会急剧下降。而上面的方案都避免了这种重复遍历，充分利用了NumPy的矢量优化。

内容的提问来源于stack exchange，提问作者mike