如何利用Numpy内置函数高效计算数组元素的出现顺序？

当然可以用Numpy内置函数实现无显式循环的order函数，且性能远高于纯Python循环版本。核心思路是通过排序、分组定位和累计计数的组合操作，实现完全矢量化的计算。

优化后的矢量化实现 #

import numpy as np

def order_np(A):
    # 将输入转换为Numpy数组（兼容列表输入）
    A = np.asarray(A)
    # 获取排序后的索引和排序后的数组
    sort_idx = np.argsort(A)
    sorted_A = A[sort_idx]
    
    # 定位每个唯一值在排序后数组中的起始位置
    diff_pos = np.where(sorted_A[1:] != sorted_A[:-1])[0] + 1
    unique_starts = np.concatenate(([0], diff_pos))
    
    # 对排序后的每个元素，找到其对应唯一值的起始位置
    start_indices = np.searchsorted(sorted_A, sorted_A, side='left')
    # 计算每个元素的出现顺序：当前位置索引 - 对应唯一值的起始索引
    counts = np.arange(len(A)) - start_indices
    
    # 将计数结果映射回原数组的顺序
    result = np.zeros_like(A)
    result[sort_idx] = counts
    return result

原理说明 #

1. 排序分组：通过np.argsort将相同元素集中，方便后续批量计数。
2. 定位起始点：用np.where找到排序后数组中相邻元素不同的位置，确定每个唯一值的起始索引。
3. 计算顺序值：用np.searchsorted匹配每个元素所属唯一值的起始位置，当前索引减去起始位置，即得到该元素在原序列中的“出现顺序”（之前相同元素的数量）。
4. 映射回原顺序：通过排序索引的逆操作，将计数结果放回原数组对应的位置。

性能对比 #

对于大规模数组（如长度100万的数组），矢量化实现的速度通常是纯Python循环的50~100倍，且内存占用更可控，避免了循环中Python对象操作的额外开销。

在scatter函数中的应用 #

直接替换原order函数即可，逻辑完全兼容：

def scatter(A, c):
    A = np.asarray(A)
    R = A % c
    I = c * order_np(R) + R
    B = np.full(np.max(I) + 1, -1)
    B[I] = A
    return B

该版本同样适用于多线程场景，I的生成逻辑与原实现一致，确保分散后的存储地址不会重复。

内容的提问来源于stack exchange，提问作者Changed My Name Again