如何高效查找不同长度数组组成的列表中最小值的索引？

给定由不同长度numpy数组组成的列表，我们需要快速定位其中最小值的位置，并按(元素在子数组的索引, 子数组在列表的索引)格式输出（示例中最小值-11的原索引为(2, 0)，对应输出(0, 2)）。以下是两种高效实现方案：

方案一：基于numpy向量化合并（适合内存充足场景） #

利用numpy的底层优化操作，通过合并数组快速定位全局最小值：

import numpy as np

L = [
    np.array([-10, -8, -3, 2, 1, 5, 12]),
    np.array([-9, -4, -1, 3, 5]),
    np.array([-11, -5, -4, 0, 1, 5, 7, 13, 18, 22])
]

# 计算各子数组长度及累积长度
lengths = np.array([len(arr) for arr in L])
cumulative_lengths = np.concatenate(([0], np.cumsum(lengths)))

# 合并数组并找到全局最小值的索引
flat_array = np.concatenate(L)
global_min_pos = flat_array.argmin()

# 定位对应的子数组和元素索引
sub_array_idx = np.searchsorted(cumulative_lengths, global_min_pos, side='right') - 1
element_idx = global_min_pos - cumulative_lengths[sub_array_idx]

# 按要求格式输出
result = (element_idx, sub_array_idx)
print(result)  # 输出：(0, 2)

优势：完全依赖numpy的C级优化操作，无Python循环，处理大数据量时效率极高。

方案二：逐数组遍历比较（适合内存受限场景） #

当单个数组体积过大、合并会占用过多内存时，可逐个遍历数组记录最小值：

import numpy as np

L = [
    np.array([-10, -8, -3, 2, 1, 5, 12]),
    np.array([-9, -4, -1, 3, 5]),
    np.array([-11, -5, -4, 0, 1, 5, 7, 13, 18, 22])
]

min_value = float('inf')
result_index = (0, 0)

for sub_idx, arr in enumerate(L):
    current_min_idx = arr.argmin()
    current_min_val = arr[current_min_idx]
    if current_min_val < min_value:
        min_value = current_min_val
        result_index = (current_min_idx, sub_idx)

print(result_index)  # 输出：(0, 2)

优势：无需合并数组，内存占用更低，适合数组规模极大的场景。

内容的提问来源于stack exchange，提问作者Steven01123581321