基于Numpy数组值（同索引）筛选列表条目优化方案咨询

你的需求其实可以通过更简洁的方式实现，同时还能避免原代码里的潜在问题（比如原代码计算number_of_validResults的方式其实是错误的，np.unique(resultData>=0)得到的是布尔值的唯一值，长度永远是2，和你示例里的13完全不符）。下面提供两种优化思路，按需选择：

方案一：纯Python简洁写法（易读性优先） #

利用zip配对数据，结合collections.defaultdict自动分组，代码更直观，不需要手动维护索引：

from collections import defaultdict

# 第一步：筛选有效数据（排除resultData中<0的条目）并配对
valid_pairs = [(res_val, data_item) for res_val, data_item in zip(resultData, baseDataList) if res_val >= 0]

# 第二步：按resultData的有效值分组
result_dict = defaultdict(list)
for res_val, data_item in valid_pairs:
    result_dict[res_val].append(data_item)

# 如果需要和原输出一样的列表格式（按结果值排序）
resultList = [result_dict[key] for key in sorted(result_dict.keys())]

优点： #

• 不需要手动维护idx变量，彻底避免索引错误
• 自动处理所有唯一结果值，不需要提前计算数量
• 代码逻辑清晰，可读性强，冗余变量少

方案二：Numpy向量化写法（性能优先，适合大数据量） #

如果你的数据量很大，用Numpy的向量化操作会比纯Python循环高效得多：

import numpy as np

# 生成有效数据的掩码
valid_mask = resultData >= 0

# 筛选出有效的结果值和对应的base数据
valid_results = resultData[valid_mask]
valid_base = np.array(baseDataList)[valid_mask]  # 若baseDataList是元组列表，转成numpy数组不影响后续操作

# 获取排序后的唯一结果值
unique_res = np.sort(np.unique(valid_results))

# 分组生成结果列表
resultList = [valid_base[valid_results == res].tolist() for res in unique_res]

优点： #

• 利用Numpy的向量化运算，比Python循环快数倍（数据量越大优势越明显）
• 代码同样简洁，避免手动索引操作

原代码的问题说明 #

你原来的代码里number_of_validResults = len(np.unique(resultData>=0))是错误的：resultData>=0返回的是布尔数组，np.unique后只会得到[False, True]，长度永远是2，这和你示例里的13个唯一值完全不符，会导致resultList的长度错误，后续分组也会出问题。上面的优化方案都避免了这个错误。

内容的提问来源于stack exchange，提问作者Alex