NumPy中不转列表、不用循环查找子数组索引的方法

完全可以通过NumPy原生能力实现需求，不需要转换数组为列表，也不需要编写Python层面的for循环，所有运算均在NumPy底层C实现中完成，处理超大规模数据集时性能远高于转列表、Python循环的方案。

基础通用实现 #

代码逻辑和示例场景完全对齐，直接运行即可得到预期输出1：

import numpy as np

arr = np.array([[11, 19, 18], [14, 15, 11], [19, 21, 46], [29, 21, 19]])
find_this_array = np.array([14, 15, 11])

# 生成逐行匹配的布尔掩码
match_mask = (arr == find_this_array).all(axis=1)
# 取第一个匹配项的索引
target_index = np.where(match_mask)[0][0]

逻辑说明：

• arr == find_this_array利用NumPy广播机制，逐元素对比每个子数组和目标数组的对应位置值，返回和原数组维度一致的布尔矩阵
• .all(axis=1)按行聚合判断，仅当某一行所有元素都和目标数组匹配时，对应位置返回True，得到一维匹配掩码
• np.where(match_mask)返回所有匹配位置的索引，取第一个值即和原生list.index行为一致的首次匹配位置

可以用np.flatnonzero简化为一行写法：

target_index = np.flatnonzero((arr == find_this_array).all(axis=1))[0]

超大规模数据集优化实现 #

如果数据集规模极大，可以将数组按行转换为内存视图，直接做整行内存块比对，省去逐元素判断的开销，性能比基础实现更高：

def find_subarray_idx(arr, target):
    # 按行长度定义单块内存的数据类型
    row_dtype = np.dtype((np.void, arr.dtype.itemsize * arr.shape[1]))
    # 把二维数组转为一维的内存块视图，每个元素对应一整行
    arr_row_view = arr.view(row_dtype).ravel()
    target_view = target.view(row_dtype)
    # 直接比对内存块，返回第一个匹配的索引
    return np.flatnonzero(arr_row_view == target_view)[0]

# 调用后直接返回结果1
target_index = find_subarray_idx(arr, find_this_array)

注意：上述两种实现如果遇到目标子数组不存在的情况，取[0]时会触发索引越界错误，和原生list.index找不到元素抛出异常的行为对齐；如果需要容错，可以先通过match_mask.any()判断是否存在匹配项后再取值。

内容的提问来源于stack exchange，提问作者zay_117