如何在Numpy中高效实现预定义区间内的元素赋值操作？

1. 单行向量化实现 #

直接通过numpy广播和逻辑运算合并即可实现单行生成目标Mask，不需要显式写Python层面的循环：

Mask = np.logical_or.reduce((np.arange(11) >= b_top[:, None]) & (np.arange(11) < b_low[:, None]), axis=0)[np.newaxis, :]

原理是把每个区间的起止值和全局索引做广播比较，得到每个区间对应的布尔数组，再按维度合并所有区间的布尔结果，最终扩展出第一个维度得到和原代码结构一致的Mask。

2. 更高性能的实现（适合区间数量大、数组长度长的场景） #

如果你的区间数量非常多，上面的广播方法会占用较多内存，这时候用标记累积法性能更高，时间复杂度为O(数组长度 + 区间数量)：

marker = np.zeros(11 + 1, dtype=np.int8)
np.add.at(marker, b_top, 1)
np.add.at(marker, b_low, -1)
Mask = (marker.cumsum()[:-1] > 0)[np.newaxis, :]

原理是在每个区间的起始位置标记+1，结束位置标记-1，做前缀和之后大于0的位置就是落在至少一个区间内的位置，直接转布尔值即可得到目标Mask。

原写法的Python层面循环在区间数量很少的时候性能差异不大，但区间数量超过100之后，上述两种向量化实现的性能优势会非常明显。

内容的提问来源于stack exchange，提问作者rpb