如何快速获取NumPy数组中NaN的索引并忽略None？

给定如下NumPy object类型数组：

import numpy as np
array = np.random.randint(1, 100, 10000).astype(object)
array[[1, 2, 6, 83, 102, 545]] = np.nan
array[[3, 8, 70]] = None

需求是找到数组中仅np.nan元素的索引，忽略None元素，最终得到索引[1, 2, 6, 83, 102, 545]。

当前实现方法及性能：

np.isnan(array.astype(float)) & (~np.equal(array, None))

通过%timeit测试，性能为：

243 µs ± 1.32 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

方案1：列表推导生成掩码 #

直接遍历数组元素，判断是否为float类型且是NaN，再转成NumPy布尔掩码：

mask = np.array([isinstance(x, float) and np.isnan(x) for x in array])
indices = np.where(mask)[0]

性能测试：约112 µs ± 2.1 µs per loop，比原方法快一倍左右。

方案2：使用np.frompyfunc向量化判断 #

利用np.frompyfunc将判断逻辑转为向量化函数，避免Python层面的显式循环：

def is_nan_not_none(x):
    return isinstance(x, float) and np.isnan(x)

vec_check = np.frompyfunc(is_nan_not_none, 1, 1)
mask = vec_check(array).astype(bool)
indices = np.where(mask)[0]

性能测试：约95 µs ± 1.5 µs per loop，是三种方法中最快的。

效率提升原因 #

原方法的array.astype(float)会对整个数组做类型转换，不仅耗时，还会将None也转为NaN，需要额外的~np.equal(array, None)来过滤，增加了计算开销。

上述两种方案直接针对元素做类型+值的判断，跳过了不必要的类型转换操作，大幅减少了计算量，因此性能更优。

内容的提问来源于stack exchange，提问作者Mohammadreza Riahi