如何用Python NumPy无需循环删除数组中满足条件的相似值？

可以利用NumPy的**diff()和concatenate()**函数实现，核心思路是通过计算相邻元素的差值，筛选出符合阈值条件的元素，完全避免显式for循环：

实现代码 #

import numpy as np

arr = np.array([1.2, 3.4, 3.5, 8.9, 10.9])
threshold = 0.3

# 计算相邻元素的差值
diffs = np.diff(arr)
# 筛选出差值大于等于阈值的位置，拼接第一个元素的索引得到保留列表
keep_indices = np.concatenate([[0], np.where(diffs >= threshold)[0] + 1])
# 获取最终结果
result = arr[keep_indices]

print(result)
# 输出: [ 1.2  3.4  8.9 10.9]

原理说明 #

• np.diff(arr)：计算数组相邻元素的差值，示例中得到array([2.2, 0.1, 5.4, 2. ])
• np.where(diffs >= threshold)[0]：找出差值≥0.3的索引（示例中为array([0, 2, 3])），加1后得到这些差值对应的后一个元素索引array([1, 3, 4])
• 拼接第一个元素的索引[0]，最终得到要保留的元素索引[0,1,3,4]，用该索引取原数组即可得到目标结果

扩展调整 #

如果需要保留每组相似元素的最后一个而非第一个，只需修改索引逻辑：

keep_indices = np.concatenate([np.where(diffs >= threshold)[0], [len(arr)-1]])
result = arr[keep_indices]
# 输出: [ 1.2  3.5  8.9 10.9]

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