Numpy：向有序数组插入值的最快实现方式

嘿，你完全没必要用「拼接后再排序」的思路——这就像手里有一本已经按页码排好的书，却非要把新页插进去后重新整本书排序，纯纯浪费了原数组已经有序的优势！尤其是当数组规模变大时，两种方法的效率差距会夸张到肉眼可见。

最快的实现方式 #

核心逻辑是先精准找插入位置，再定向插入，用到两个numpy的专用函数：

• np.searchsorted()：针对有序数组做二分查找，以O(log n)的时间复杂度找到插入索引，这一步快到可以忽略不计
• np.insert()：在指定索引处插入元素，因为原数组本身有序，插入后自然保持整体有序

示例代码如下：

import numpy as np

# 你的有序数组
my_array = np.array([1, 2, 3, 4, 5])
my_val = 1.5

# 1. 用二分查找定位插入位置
insert_index = np.searchsorted(my_array, my_val)
# 2. 插入值并得到新的有序数组
sorted_new_array = np.insert(my_array, insert_index, my_val)

print(sorted_new_array)  # 输出: [1.  1.5 2.  3.  4.  5.]

为什么比你的原思路快？ #

你的原方法是拼接数组后调用np.sort()，本质是对整个新数组做全量排序，时间复杂度为O(n log n)。而上面的方法：

1. 找位置的二分查找是O(log n)，耗时几乎可以忽略
2. 插入操作是O(n)（因为需要移动插入点后的所有元素，这是数组这种数据结构的固有特性，无法完全避免）

但O(n)和O(n log n)的差距，在数组规模达到十万、百万级别时会被无限放大——比如百万元素的数组，全量排序可能要几毫秒，而插入法只需要几百微秒。

极端场景的进阶优化（可选） #

如果你的数组大到离谱，且想避免np.insert创建新数组的内存开销，可以预先分配更大的数组，用切片赋值完成插入：

# 预先分配足够大的数组（需提前知道最终规模）
new_array = np.empty(len(my_array) + 1)
# 复制插入点前的元素
new_array[:insert_index] = my_array[:insert_index]
# 插入新值
new_array[insert_index] = my_val
# 复制插入点后的元素
new_array[insert_index+1:] = my_array[insert_index:]

不过这种写法代码繁琐，一般场景下np.insert的效率已经足够，且可读性更好。

内容的提问来源于stack exchange，提问作者Arda Arslan