如何用Numpy获取非均匀多区间数组的最大值与最小值？

针对你需要从Numpy数组的非均匀区间中高效提取最值的需求，推荐使用**np.reduceat**实现无循环的向量化计算，替代原有的循环拼接方案。

核心方案：利用np.reduceat做分段聚合 #

np.reduceat可以根据指定的起始索引，对数组进行分段聚合运算，完美适配非均匀连续区间的场景。具体步骤如下：

• 确定所有区间的起始索引（遵循Numpy左闭右开的切片规则，比如区间[0-2]对应起始索引0，下一个区间[3-6]对应起始索引3）
• 分别调用np.maximum.reduceat和np.minimum.reduceat计算各区间的最大值、最小值

代码实现 #

import numpy as np

a = np.array([1,2,3,4,5,6,7,8,9])
# 从你的slices列表中提取起始索引，或直接手动指定（更高效）
starts = np.array([s[0] for s in slices])
# 也可以直接定义：starts = np.array([0, 3, 7])

# 计算各区间最大值
interval_max = np.maximum.reduceat(a, starts)
# 计算各区间最小值
interval_min = np.minimum.reduceat(a, starts)

# 合并结果（与原代码输出格式一致）
min_and_max = np.concatenate([interval_min, interval_max])

优势对比 #

• 效率更高：完全基于Numpy的向量化操作，避免了原循环方案中多次np.concatenate带来的频繁数组内存分配，在数据量较大时性能提升明显
• 代码更简洁：无需手动维护循环和临时数组，逻辑清晰易读

扩展：处理非连续的任意索引区间 #

如果你的区间不是连续的（比如存在间隔或重叠），可以使用列表推导式结合Numpy的聚合函数，这比显式循环更高效：

# 示例：非连续区间
slices = [np.array([0,2]), np.array([1,4,6]), np.array([7,8])]
interval_max = np.array([a[s].max() for s in slices])
interval_min = np.array([a[s].min() for s in slices])

内容的提问来源于stack exchange，提问作者nikost