如何在Numpy中先判断近似相等浮点数，再找一维数组的最大值及索引？

给定一维浮点数组，比如 [0.12345678, 0.23456788, 0.23456789]，需要完成以下逻辑：

1. 先识别数组中与最大值近似相等的所有元素
2. 在这些近似相等的元素中，取数值最小的那个，同时返回它的最小索引
   要求不使用for/while循环，基于Numpy实现。

示例1：

数组: [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.9, 0.9, 0.9]
预期结果: [0.9, 7]
解释: 0.9是最大值，首次出现在索引7处

示例2：

数组: [0.11111111, 0.22222222, 0.33333333, 0.44444444, 0.44444445, 0.12345678]
预期结果: [0.44444444, 3]
解释: 0.44444445是最大值，但0.44444444与其近似相等，因此取较小值及对应索引3

通过Numpy的np.max、np.isclose、np.min和np.argwhere等函数组合实现，步骤如下：

1. 计算数组的最大值 max_val
2. 用np.isclose生成布尔掩码，筛选出所有与max_val近似相等的元素
3. 在掩码筛选后的子数组中，找到最小的数值 target_val
4. 定位数组中第一个等于target_val的索引（确保取最小索引）

具体代码实现：

import numpy as np

def find_target(arr):
    # 获取数组最大值
    max_val = np.max(arr)
    # 筛选与最大值近似相等的元素
    close_mask = np.isclose(arr, max_val)
    # 在近似相等的元素中找最小值
    target_val = np.min(arr[close_mask])
    # 找到第一个等于target_val的索引
    target_idx = np.argwhere(arr == target_val)[0][0]
    return [target_val, target_idx]

• 示例1测试：

arr1 = np.array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.9, 0.9, 0.9])
print(find_target(arr1))  # 输出: [0.9, 7]

• 示例2测试：

arr2 = np.array([0.11111111, 0.22222222, 0.33333333, 0.44444444, 0.44444445, 0.12345678])
print(find_target(arr2))  # 输出: [0.44444444, 3]

注：np.isclose默认使用通用场景的合理误差阈值，若需自定义精度，可传入rtol（相对误差）和atol（绝对误差）参数，比如np.isclose(arr, max_val, rtol=1e-8, atol=1e-10)。

内容的提问来源于stack exchange，提问作者J.F.