如何高效且可读地实现基于N×2型start-stop数组的numpy.arange结果合并？

当然有更好的办法啦！你现在用的循环+np.append的方式虽然能得到正确结果，但每次调用np.append都会重新分配数组内存，当输入数组行数很多或者区间范围很大时，效率会变得很低。这里有两种既高效又可读性强的实现方式，供你参考：

方法一：广播与重复法（性能优先） #

这个方法通过numpy的向量化操作避免了生成多个小数组，内存分配更高效，适合处理大规模数据。核心思路是：每个区间的元素等价于「起始值 + 0到(区间长度-1)的偏移量」，我们可以先把起始值按对应区间长度重复，再加上拼接后的偏移量数组，就能直接得到结果。

import numpy as np

arr = np.array([[1, 3], [4, 5], [7, 8], [8, 10]])
# 计算每个区间的元素个数
lengths = arr[:, 1] - arr[:, 0]
# 将每个起始值重复对应次数，得到基础数组
starts_repeated = np.repeat(arr[:, 0], lengths)
# 生成所有区间的偏移量并拼接：比如第一个区间偏移0、1，第二个偏移0，依此类推
offsets = np.concatenate([np.arange(l) for l in lengths])
# 起始值+偏移量得到最终结果
out = starts_repeated + offsets

print(out)  # 输出：[1 2 4 7 8 9]

方法二：列表推导式+一次性拼接（可读性优先） #

这个方法的代码非常直观，一眼就能理解逻辑：先通过列表推导式生成每个区间的np.arange结果，再用np.concatenate一次性合并所有数组。相比循环np.append，它只做一次内存分配，效率提升明显，同时可读性拉满。

import numpy as np

arr = np.array([[1, 3], [4, 5], [7, 8], [8, 10]])
# 遍历每个区间生成arange，再一次性拼接
out = np.concatenate([np.arange(start, end) for start, end in arr])

print(out)  # 输出：[1 2 4 7 8 9]

小总结 #

• 如果处理的是大规模数据，追求极致性能，优先选方法一；
• 如果更看重代码的简洁直观，日常中小规模数据处理，方法二完全够用。

内容的提问来源于stack exchange，提问作者jskattt797