Numpy是否有内置二分查找可直接判断数组元素是否存在？

核心思路 #

Numpy没有直接返回布尔值的内置二分查找函数，但可以基于np.searchsorted或np.in1d实现高效的向量化判断，时间复杂度均为O(M log N)（M为b的长度，N为a的长度），完全满足大规模数组的性能需求。

方法一：基于np.searchsorted手动实现 #

np.searchsorted返回元素应插入有序数组的索引，结合索引合法性检查和元素匹配，即可得到布尔结果：

1. 确保主数组a是有序的（若无序先排序）
2. 获取b中每个元素在有序a中的插入索引
3. 验证索引未越界且对应元素匹配

import numpy as np

# 示例数组
a = np.array([9, 3, 5, 1, 7])
b = np.array([3, 4, 7, 10])

# 步骤1：排序主数组
a_sorted = np.sort(a)

# 步骤2：获取插入索引
indices = np.searchsorted(a_sorted, b)

# 步骤3：判断元素是否存在
exists = (indices < a_sorted.size) & (a_sorted[indices] == b)

print(exists)  # 输出：[ True False  True False]

方法二：使用np.in1d（更简洁） #

np.in1d可以直接返回b元素是否在a中的布尔数组，当传入排序后的a并设置assume_unique=True时，内部会自动使用二分查找优化，效率与手动实现一致：

import numpy as np

a = np.array([9, 3, 5, 1, 7])
b = np.array([3, 4, 7, 10])

a_sorted = np.sort(a)
exists = np.in1d(b, a_sorted, assume_unique=True)

print(exists)  # 输出：[ True False  True False]

注意事项 #

• 若a中存在重复元素，只需去掉assume_unique=True参数，np.in1d依然能正确判断，但性能会略有下降（不过仍远优于线性搜索）
• 无论哪种方法，必须保证a是有序的，否则二分查找逻辑会失效

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