如何用numpy.where或等效函数向量化重构迭代信号生成算法

你的原函数是一个典型的状态保持类迭代逻辑：根据输入数组r的阈值触发信号状态切换（<=30时切为1，>=60时切为0），未触发时保持上一次的信号状态。下面我给你一个完全基于Numpy向量化操作的高效实现，彻底摆脱循环：

核心思路 #

我们可以通过追踪每个位置最后一次触发1的索引和最后一次触发0的索引，然后比较这两个索引的先后，就能直接确定每个位置的信号状态：

• 如果最后一次触发1的时间晚于触发0，当前状态为1
• 反之则为0（初始状态为0，对应没有任何触发的情况）

实现代码 #

import numpy as np

def generate_signal_vectorized(r):
    # 标记触发1的位置，并计算每个位置及之前最后一次触发1的索引（未触发则为-1）
    trigger_1 = r <= 30
    last_trigger_1 = np.maximum.accumulate(np.where(trigger_1, np.arange(len(r)), -1))
    
    # 标记触发0的位置，并计算每个位置及之前最后一次触发0的索引（未触发则为-1）
    trigger_0 = r >= 60
    last_trigger_0 = np.maximum.accumulate(np.where(trigger_0, np.arange(len(r)), -1))
    
    # 比较两次触发的先后，生成最终信号
    return (last_trigger_1 > last_trigger_0).astype(int)

验证效果 #

用你给出的测试数组验证：

r = np.array([50, 52, 59, 69, 47, 33, 27, 26, 20, 30, 33, 35, 58, 55, 48, 60, 68, 55, 43, 49, 33, 30, 22, 28])
s_original = generate_signal(r)
s_vectorized = generate_signal_vectorized(r)

# 验证结果一致
print(np.array_equal(s_original, s_vectorized))  # 输出：True

效率对比 #

这种向量化方式的时间复杂度是O(n)，但比原循环实现快得多（尤其是当r的长度很大时），因为Numpy的底层操作是用C实现的，避免了Python循环的开销。

内容的提问来源于stack exchange，提问作者php-junkie