np.searchsorted 比手写二分快是因为它用 C 实现、操作连续内存、避开 Python 循环和类型检查；它返回插入位置而非布尔值，要求输入升序，支持 left/right 侧定位重复元素，不支持多维直接调用。
np.searchsorted 为什么比手写二分快
np.searchsorted 是 NumPy 底层用 C 实现的，直接操作连续内存块，跳过 Python 循环和类型检查开销。它不返回布尔结果，而是返回「若插入该值，应放在哪个索引位置」——这正是有序数组中定位的刚需。
常见误用是拿它当 in 判断：它不检查元素是否存在，只管位置。比如 arr = np.array([1, 3, 5, 7])，np.searchsorted(arr, 4) 返回 2（因为 4 应插在索引 2 处），哪怕 4 根本不在数组里。
- 必须确保输入数组已升序排列；降序时得加
sorter参数或先反转视图 - 对浮点数要小心精度问题，
np.searchsorted不做容差判断 - 如果数组含
nan，行为未定义，建议提前用np.isfinite过滤
side 参数决定重复值时的插入倾向
当目标值已在数组中存在多个副本时，side='left'（默认）返回最左侧可插入位置，side='right' 返回最右侧之后的位置。这对统计频次、切片分组很关键。
例如 arr = np.array([2, 4, 4, 4, 6])：
立即学习“Python免费学习笔记（深入）”；
np.searchsorted(arr, 4, side='left') # → 1 np.searchsorted(arr, 4, side='right') # → 4
- 想获取所有等于某值的索引范围？用
left = np.searchsorted(arr, x, 'left')和right = np.searchsorted(arr, x, 'right')，然后切片arr[left:right] -
side不影响性能，只是逻辑偏移，C 层实现已优化两种路径 - 注意：
side对不存在的值无区别，只在命中时才有意义
处理多维数组时不能直接传入
np.searchsorted 只接受一维数组作为 arr 参数。若你有二维数据（如每行一个有序序列），不能直接传 arr_2d，会报 ValueError: object of too small depth for desired array。
- 方案一：用
np.apply_along_axis沿指定轴逐行/列调用，但有 Python 循环开销 - 方案二：把二维展平 + 记录起始偏移，手写向量化逻辑（适合固定行长度）
- 更实用的做法：用
numba.jit加速循环版二分，比纯 Python 快 10 倍以上，且支持任意维度索引逻辑
别指望 np.searchsorted 自动广播到高维——它压根不设计为此服务。
和 Python bisect 模块对比的实际取舍
如果你已有 Python list 且不打算转 NumPy，bisect.bisect_left 更轻量；但一旦涉及数值计算，频繁在 list 和 ndarray 间转换反而拖慢整体流程。
- NumPy 数组创建成本高，但
searchsorted单次调用比bisect快 2–5 倍（尤其数组 > 1e4 元素） -
bisect支持自定义 key 函数，np.searchsorted不支持；需预处理数组（如取arr[:, 0]后再查） - 内存上，
np.searchsorted需整块连续内存；bisect对稀疏或动态 list 更友好
真正卡住性能的往往不是查找本身，而是你反复构造小数组、或在循环里调用却没向量化——这时候再快的 searchsorted 也救不了。
