如何高效检查一维NumPy数组是否在含NumPy数组与None的列表中

原方法通过转列表进行比较，在数组和列表规模较大时会产生额外的内存开销和转换耗时，以下是两种更高效的替代方案：

方案一：惰性遍历+NumPy原生比较 #

利用any()的惰性求值特性，结合np.array_equal()直接在NumPy数组层面做元素匹配，无需转换为Python列表：

import numpy as np

arr = np.array([1,2])
lst = [np.array([1,2]), np.array([3,4]), None, None]

if any(np.array_equal(arr, item) for item in lst if item is not None):
    print("Yes")
else:
    print("No")

优势 #

• 生成器表达式是惰性求值：找到第一个匹配项就立即停止遍历，无需处理整个列表
• np.array_equal()是NumPy原生优化的C实现，比转列表后再比较的速度快得多，尤其适合大尺寸数组

方案二：向量化批量比较（适用于数组形状统一的场景） #

如果列表中所有非None的一维数组形状完全一致，可以将它们合并为一个二维数组，通过NumPy的向量化操作一次性完成所有比较：

import numpy as np

arr = np.array([1,2])
lst = [np.array([1,2]), np.array([3,4]), None, None]

# 过滤非None元素并合并为二维数组
valid_arrays = np.array([item for item in lst if item is not None])
# 广播比较每行与目标数组是否完全匹配
if np.any(np.all(valid_arrays == arr, axis=1)):
    print("Yes")
else:
    print("No")

优势 #

• 向量化操作充分利用NumPy的并行计算优化，在列表元素数量极多的情况下，效率远高于逐个遍历
• 只需一次内存分配存储合并后的二维数组，避免多次临时对象创建

注意事项 #

• 必须保证所有非None数组的形状与目标数组一致，否则合并二维数组时会报错
• 如果列表中存在形状不同的数组，建议优先使用方案一

内容的提问来源于stack exchange，提问作者MnglaGesh