为什么numpy没有对应‘is’操作的ufunc？有什么高性能替代方案？

is操作的核心语义是判断两个对象是否为内存中的同一个实例，仅适用于Python对象的引用比较，而numpy的ufunc体系主要面向数值型数组的向量化运算，通用is ufunc的使用场景极其有限，仅在判断None、True、False这类全局单例时会用到，普通数值运算场景完全不需要。其次numpy团队此前评估过相关需求，认为is和==语义容易被普通用户混淆，引入后会大幅提升误用概率，维护成本远高于实际收益，因此没有单独推出通用的is ufunc。

按使用场景可以选择对应的实现方案，性能均远高于Python层的列表推导遍历：

• 场景1：仅需要判断元素是否为None（最常见需求）
  如果使用numpy 1.24及以上版本，直接用官方原生的np.isnone ufunc，性能最高，无Python层开销：

  a[np.isnone(a)] = something
  

  如果版本低于1.24，用np.frompyfunc自定义ufunc，性能比Python层遍历高3~8倍：

  # 生成判断是否为None的自定义ufunc，输入1个参数，输出1个结果
  is_none_ufunc = np.frompyfunc(lambda x: x is None, 1, 1)
  a[is_none_ufunc(a).astype(bool)] = something
  

  如果项目中已引入pandas，可直接使用优化过的pd.isna，同时兼容None、NaN等空值判断，性能也优于自行实现的方案：

  import pandas as pd
  a[pd.isna(a)] = something
  

• 场景2：判断元素是否为任意指定的单例对象
  直接修改np.frompyfunc的判断逻辑即可，比如要判断元素是否和全局对象custom_singleton为同一个实例：

  is_target = np.frompyfunc(lambda x: x is custom_singleton, 1, 1)(a).astype(bool)
  a[is_target] = something
  

内容的提问来源于stack exchange，提问作者Bubaya