如何用简化版RLE快速压缩NumPy中的0-1一维数组？

针对0/1组成的一维NumPy数组，用NumPy的向量化操作可以彻底替代慢的Python循环，核心思路是通过找元素变化的分界点来计算每个游程的长度，具体步骤如下：

核心实现逻辑 #

1. 定位游程分界点：用np.diff计算相邻元素的差值，0/1数组中差值不为0的位置就是前后游程的分界处，再把索引调整为原数组的位置。
2. 计算游程长度：把分界点前后补上数组的起始（0）和结束（数组长度）位置，再用np.diff计算相邻分界点的距离，得到每个游程的长度。
3. 格式转换：把长度数组转成字符串拼接，得到你需要的连续数字格式（比如示例中的433121）。

完整代码示例 #

import numpy as np

def rle_binary_numpy(arr):
    # 输入合法性校验
    if arr.ndim != 1 or not np.all(np.isin(arr, [0, 1])):
        raise ValueError("输入必须是仅包含0和1的一维NumPy数组")
    
    # 找到元素发生变化的索引位置
    diffs = np.diff(arr)
    change_indices = np.where(diffs != 0)[0] + 1  # 转换为原数组的索引
    
    # 计算每个游程的长度
    run_bounds = np.concatenate(([0], change_indices, [len(arr)]))
    run_lengths = np.diff(run_bounds)
    
    # 转换为要求的连续数字字符串
    return ''.join(map(str, run_lengths))

# 测试你的示例输入
test_array = np.array([0,0,0,0,1,1,1,0,0,0,1,0,0,1])
print(rle_binary_numpy(test_array))  # 输出: 433121

为什么比for循环快？ #

NumPy的所有核心操作（diff/where/concatenate）都是底层用C实现的向量化运算，完全避开了Python解释器的循环开销。当数组规模较大（比如百万级元素）时，速度会比Python循环快几个数量级。

边界情况测试 #

• 全0数组：np.array([0,0,0]) → 返回'3'
• 全1数组：np.array([1,1,1,1]) → 返回'4'
• 单元素数组：np.array([0]) → 返回'1'

内容的提问来源于stack exchange，提问作者amit