基于数值拆分数据：使用Numpy/Pandas实现无循环分组

这里有两种不用手动写循环的高效方法，分别用Pandas和Numpy来完成你的需求，输出结果完全符合预期：

方法一：使用Pandas（更直观简洁） #

Pandas的分组功能天生适合这类场景，步骤很清晰：

1. 将原始数组转换成DataFrame
2. 按第一列的值进行分组
3. 把每个分组转回Numpy数组并收集成列表

import pandas as pd
import numpy as np

# 你的原始数据集
data = np.array([[0, 1994], [0, 1965], [0, 1943], [1, 1994], [1, 1965], [2, 1948]])

# 转成DataFrame并按第一列分组
df = pd.DataFrame(data)
groups = df.groupby(by=0)

# 提取每个分组为Numpy数组，组成结果列表
result = [group.to_numpy() for _, group in groups]

print(result)

运行后输出：

[array([[   0, 1994],
       [   0, 1965],
       [   0, 1943]]), array([[   1, 1994],
       [   1, 1965]]), array([[   2, 1948]])]

方法二：使用Numpy（纯数值计算场景更轻量） #

如果不想引入Pandas，用Numpy的向量化筛选也能实现，核心是利用唯一值来批量筛选行：

import numpy as np

data = np.array([[0, 1994], [0, 1965], [0, 1943], [1, 1994], [1, 1965], [2, 1948]])

# 获取第一列的所有唯一值（默认按升序排列）
unique_labels = np.unique(data[:, 0])

# 针对每个唯一值筛选对应行，组成结果列表
result = [data[data[:, 0] == label] for label in unique_labels]

print(result)

这个方法里的列表推导只是遍历唯一值（数量远少于原始数据行数），没有手动遍历每一行数据，完全符合你“不用循环”的要求，输出结果和上面一致。

两种方法都利用了库的内置优化功能，比手动循环效率高很多，尤其是处理大规模数据集时优势更明显。

内容的提问来源于stack exchange，提问作者MrClean