能否用Numpy运算符替代Python代码中数组边界判断的and逻辑？

给定以下Python代码片段：

import numpy as np

N, M, K = 9, 10, 2
a = np.random.randint(2*K, size=(N, M)) 
r = np.any(a[0, :]==K) and np.any(a[-1, :]==K) and np.any(a[:, 0]==K) and np.any(a[:, -1]==K)

能否用Numpy运算符或函数替换最后一行中的and运算符？诉求源于效率考量与技术好奇，使用场景为K≤5且N、M<32，无需极致性能，但需避免显著性能损耗。

当然可以用Numpy的向量化操作替代Python原生的and，结合你的小数据量场景，给你两种实用的实现方式：

方案1：用np.all批量判断条件 #

先把四个条件的结果打包成Numpy布尔数组，再用np.all验证所有条件是否成立——逻辑和原代码完全一致，写法也直观：

conds = np.array([
    np.any(a[0, :] == K),
    np.any(a[-1, :] == K),
    np.any(a[:, 0] == K),
    np.any(a[:, -1] == K)
])
r = np.all(conds)

嫌麻烦也可以写成一行精简版：

r = np.all([np.any(a[0,:]==K), np.any(a[-1,:]==K), np.any(a[:,0]==K), np.any(a[:,-1]==K)])

这种方式没有性能损耗，小数据量下和原代码效率持平，甚至因为Numpy的内部优化略快一点。

方案2：提取边界后统一处理（更简洁） #

先把数组的四条边界（首行、末行、首列、末列）提取出来，再分别检查每条边界是否包含K，最后用np.all确认全部满足：

# 拆分边界并直接检查
r = np.all([
    K in a[0],
    K in a[-1],
    K in a[:,0],
    K in a[:,-1]
])
# 或者用Numpy向量化判断的写法
boundary_chunks = np.array([a[0], a[-1], a[:,0], a[:,-1]])
r = np.all(np.any(boundary_chunks == K, axis=1))

这种写法减少了重复的索引操作，代码更整洁，在你的N、M<32场景下效率完全够用。

关于短路求值的说明 #

原代码的and是短路逻辑（只要一个条件不满足就停止计算），而上面的方案会先计算所有条件再判断。但你的数据量极小，这种差异带来的性能影响可以忽略。如果非要保留短路逻辑，可以用np.logical_and链式调用，但代码会啰嗦一些：

r = np.logical_and(
    np.logical_and(np.any(a[0,:]==K), np.any(a[-1,:]==K)),
    np.logical_and(np.any(a[:,0]==K), np.any(a[:,-1]==K))
)

这种写法和原代码的执行逻辑几乎一致，但可读性不如前两种方案，没必要特意用。

内容的提问来源于stack exchange，提问作者Paul Jurczak