如何在不原地排序的情况下获取NumPy数组中N个最大元素的首个索引？

首先，你遇到的问题根源在于np.argpartition本身是不稳定的——它基于快速选择算法实现，对于值相同的元素，不会保证保留它们在原数组里的相对顺序。所以当你提取N个最大元素的索引时，相同值的元素里靠后的索引可能被优先选中，这就和你「优先取数组前面的索引」的需求冲突了。

下面给你两个高效的解决方案，都基于NumPy的内置向量化操作，比你写的字典循环方法快得多，且完全匹配你的需求：

方案一：使用lexsort（推荐，直观可靠） #

这个方法的核心是给排序设置双重优先级：第一优先级是数组元素的值（降序），第二优先级是元素的索引（升序）。这样值相同的元素里，索引靠前的会被自动排在前面，完美契合你要的规则。

代码实现非常简洁：

import numpy as np

def nlar_idx(array, n):
    idx = np.arange(len(array))
    # 按「元素值降序」+「索引升序」排序，得到符合优先级的索引数组
    sorted_indices = idx[np.lexsort((idx, -array))]
    # 提取前n个目标索引
    return sorted_indices[:n]

我们用你的测试例子验证：

• 例子2：array = np.array([0.5, 0.5, 0., 0.5, 0.5])，N=2时返回[0, 1]，完全符合预期；
• 例子3：array = np.array([0.3, 0.9, 0.6, 0.75, 0.55, 0.75, 0.75, 0.8, 0.5])，N=3时返回[1, 7, 3]，和你要的结果一致；
• 例子4：同上述数组，N=6时返回[1, 7, 3, 5, 6, 2]，完全匹配需求。

这个方法的优势是完全不需要担心浮点数精度问题，逻辑清晰，而且NumPy的lexsort是C级别的优化实现，对于你提到的小数组（25、100甚至1000元素），速度快到可以忽略不计。

方案二：给数组添加微小偏移量（适配argpartition） #

如果你坚持想用np.argpartition，可以给数组每个元素加一个极小的、和索引绑定的偏移量，让相同值的元素里，索引靠前的元素「数值上略大一点」，这样argpartition就会优先选中它们。

比如我们用array - 1e-10 * np.arange(len(array))，这个偏移量足够小，完全不会影响原数组元素的大小比较（除非你的数组元素精度已经到了1e-10级别，你的例子里显然不存在这种情况）。

代码实现：

import numpy as np

def nlar_idx(array, n):
    # 添加微小偏移，让相同值的元素中，前面的索引对应的值略大
    adjusted_array = array - 1e-10 * np.arange(len(array))
    # 用argpartition提取n个最大元素的索引
    indices = np.argpartition(adjusted_array, -n)[-n:]
    # 如果你需要结果按优先级排序，可额外加一步排序（可选，你提到结果顺序无关）
    # indices = sorted(indices)
    return indices

测试例子2的话，这个方法会返回[0, 1]，完全符合需求。需要注意的是，argpartition返回的索引是无序的，但你提到「返回索引的顺序不重要」，所以这完全不是问题；如果需要按值从大到小的顺序返回，对结果加个排序即可。

关于你写的字典方法 #

你写的字典循环是纯Python层面的操作，而NumPy的内置函数都是C实现的向量化操作——对于小数组来说速度差距可能不明显，但数组越大，性能差距会越显著，比如1000元素的数组，NumPy方法的速度会是字典方法的几十倍甚至上百倍。

最后再提一下你疑惑的np.argpartition的order参数：这个参数是给结构化数组用的（比如每个元素是包含多个字段的结构体），用来指定按哪个字段排序，对于普通的数值数组，这个参数完全用不上，不用纠结它啦。

备注：内容来源于stack exchange，提问作者barrelquentin997