如何用Numpy高效实现数组值的索引映射？

对于用小型映射数组tbl转换百万级大型数组arr的场景，NumPy原生的矢量化索引访问就是最直接、性能最优的解决方案，完全不需要依赖Python列表推导式。

实现代码 #

直接通过tbl[arr]就能完成映射，代码简洁且高效：

import numpy as np

arr = np.array([0, 1, 2, 3, 0, 4, 3, 3, 1, 4, 0, 0, 0, 2])
tbl = np.array([0, 1, 1, 0, 2])
res = tbl[arr]

print(arr)  # [0 1 2 3 0 4 3 3 1 4 0 0 0 2]
print(tbl)  # [0 1 1 0 2]
print(res)  # [0 1 1 0 0 2 0 0 1 2 0 0 0 1]

性能优势说明 #

• 这是NumPy底层实现的矢量化操作，全程在C语言层面执行，彻底避开了列表推导式中逐个元素遍历的Python解释器开销。对于百万级别的arr，性能提升会非常显著。
• 哪怕tbl只有几十个元素，这种索引方式的时间复杂度依然是O(n)（n为arr的长度），且常数项远低于Python循环。

性能对比测试（可选） #

如果想直观看到差距，可以用大数组做个测试：

import time

# 生成百万级测试数组
arr_large = np.random.randint(0, len(tbl), size=1_000_000)

# 测试列表推导式
start = time.time()
_ = np.array([tbl[x] for x in arr_large])
print(f"列表推导式耗时: {time.time() - start:.4f}秒")

# 测试NumPy矢量化索引
start = time.time()
_ = tbl[arr_large]
print(f"NumPy矢量化索引耗时: {time.time() - start:.4f}秒")

实际运行后你会发现，NumPy的方式耗时通常只有列表推导式的几十分之一。

内容的提问来源于stack exchange，提问作者scravy