如何对自定义Event对象的numpy数组高效筛选并修改alive属性？

背景定义 #

已定义Event类：

class Event(object):
    def __init__(self, time):
        self.time = time
        self.alive = True

    def __repr__(self):
        return f"t = {self.time:.2E}"

现有按time排序的numpy数组timestamps，存储Event对象：

timestamps
>>> array([t = 5.00E-11, t = 1.51E-08, t = 3.15E-08, t = 4.69E-08], dtype=object)

需求 #

筛选出time处于指定区间(target, target + t_dead)内的数组元素，将其alive属性设为False。原嵌套for循环速度过慢，希望用类似布尔掩码的高效写法实现。

可行实现方式 #

方法1：布尔掩码筛选 #

先提取所有Event对象的time值为数值数组，再生成布尔掩码筛选目标元素：

import numpy as np

# 提取所有time值到numpy数值数组
times = np.array([event.time for event in timestamps])

# 定义目标区间
target = timestamps[i].time
t_dead = 1e-8  # 替换为实际需求值

# 生成布尔掩码
mask = (times > target) & (times < target + t_dead)

# 修改筛选出的元素的alive属性
for event in timestamps[mask]:
    event.alive = False

方法2：利用数组有序性优化（二分查找） #

由于timestamps已按time排序，可使用np.searchsorted快速定位区间边界，大幅减少遍历范围：

import numpy as np

times = np.array([event.time for event in timestamps])
target = timestamps[i].time
t_dead = 1e-8

# 二分查找区间左右边界
left_idx = np.searchsorted(times, target, side='right')
right_idx = np.searchsorted(times, target + t_dead, side='left')

# 修改区间内元素的alive属性
for event in timestamps[left_idx:right_idx]:
    event.alive = False

这种方法时间复杂度更低（O(logN)定位边界 + O(K)修改元素，K为区间内元素数量），适合处理大规模数组。

方法3：用np.vectorize简化属性提取 #

如果觉得列表推导提取time不够简洁，可使用np.vectorize包装属性获取逻辑：

import numpy as np

get_time = np.vectorize(lambda event: event.time)
times = get_time(timestamps)

target = timestamps[i].time
t_dead = 1e-8
mask = (times > target) & (times < target + t_dead)

for event in timestamps[mask]:
    event.alive = False

注意：np.vectorize本质是对循环的封装，性能和列表推导接近，主要作用是简化写法。

内容的提问来源于stack exchange，提问作者Sala