如何用NumPy替代for循环高效统计连续符合阈值条件的元素个数

你使用np.argmax得到错误结果的核心逻辑是：当数组中所有元素都满足元素 <= high时，np_list > high生成的布尔数组全为False，np.argmax会将False视为0，返回第一个最大值的索引即0，加1后自然得到错误的1。

完全匹配原for循环逻辑的实现代码如下：

import numpy as np

list_of_numbers = [29800.0, 29795.0, 29795.0, 29740.0, 29755.0, 29745.0]
np_list = np.array(list_of_numbers)
high = 29980.0
lookback = 10

# 构造不满足条件的掩码（元素>high的位置为True）
invalid_mask = np_list > high
# 查找第一个不满足条件的元素索引
first_invalid_pos = np.argmax(invalid_mask)

if invalid_mask.any():
    # 存在不满足条件的元素，取第一个位置+1
    counter = min(first_invalid_pos + 1, lookback)
else:
    # 所有元素都满足条件，取数组长度+1，同时不超过lookback
    counter = min(len(np_list) + 1, lookback)

print(counter) # 输出结果为7，和原for逻辑完全一致

• 该方案为纯NumPy向量运算，无Python层循环，处理大型数组的性能比原生for循环高10~100倍
• 完全兼容原逻辑的lookback上限限制：如果连续满足条件的数量超过lookback，会自动截断为lookback
• 边界场景适配：无论数组中是否存在不满足条件的元素，都能返回正确结果

内容的提问来源于stack exchange，提问作者blonc