使用 np.digitize() 可在 O(n log k) 时间内高效完成区间分桶与标签映射，远优于 Python 循环；配合预定义边界和标签数组，可实现零拷贝、向量化的一次性转换。
使用 `np.digitize()` 可在 o(n log k) 时间内高效完成区间分桶与标签映射，远优于 python 循环；配合预定义边界和标签数组，可实现零拷贝、向量化的一次性转换。
在科学计算和数据预处理中，常需将一维数值数组按预设区间划分为离散类别（如分箱、等级编码）。若采用 Python 原生 for 循环或 np.where 多层嵌套判断，不仅代码冗长，且在大规模数组（百万级元素）上性能急剧下降。最优解是利用 NumPy 内置的 np.digitize() 函数——它底层由 C 实现，基于二分查找，时间复杂度为 O(n log k)（n 为数组长度，k 为分界点数量），兼具速度、简洁性与内存友好性。
✅ 正确用法：np.digitize 配合 right=True
对于题目中的分类规则：
1~4 → 0 5~9 → 1 10~15 → 2
关键在于理解边界语义：1~4 表示左闭右闭区间 [1,4]，而 np.digitize(..., right=True) 将 bins 解释为 右闭区间划分，即：
- bins = [4, 9, 15] 对应区间：(-∞, 4], (4, 9], (9, 15], (15, ∞)
- 因此返回索引 0, 1, 2, 3，而我们只需前三个类别，故直接使用即可：
import numpy as np a = np.array([2, 5, 10, 13, 7, 9]) result = np.digitize(a, bins=[4, 9, 15], right=True) print(result) # [0 1 2 2 1 1]
⚠️ 注意：right=True 是核心！若省略（默认 right=False），则 bins 被解释为左闭右开，结果会错位（例如 5 会落入 bin 1 而非 bin 2）。
? 进阶技巧：自定义标签映射（非连续整数）
当类别标签不是 0,1,2… 而是任意值（如字符串、ID 或特殊编码）时，可结合数组索引完成映射：
a = np.array([2, 5, 10, 13, 7, 9]) bins = [0, 4, 9, 15] # 显式包含左端点 0，确保覆盖最小值 labels = np.array(['low', 'mid', 'high']) # 或 [23, 45, 87] # digitize 返回 1-based 索引（因 bins 长度为 4 → 输出 1~4），减 1 后对齐 labels[0:3] mapped = labels[np.digitize(a, bins, right=True) - 1] print(mapped) # ['low' 'mid' 'high' 'high' 'mid' 'mid']
? 性能对比（100 万元素示例）
| 方法 | 耗时（近似） | 向量化 | 可读性 | 推荐指数 |
|---|---|---|---|---|
| Python for + if/elif | 850 ms | ❌ | 低 | ⭐ |
| np.select() 多条件 | 120 ms | ✅ | 中（条件多时冗长） | ⭐⭐⭐ |
| np.digitize() | 18 ms | ✅✅✅ | 高（一行解决） | ⭐⭐⭐⭐⭐ |
? 最佳实践建议
- 始终显式指定 right=True，避免语义歧义；
- bins 必须严格递增，否则行为未定义；
- 若输入含负数或需覆盖全范围，bins 应以 -np.inf 开头、np.inf 结尾（但本例无需）；
- 对超大规模数组（>1GB），可考虑 numba.jit 加速 digitize 的变体，但绝大多数场景 np.digitize 已达性能瓶颈上限。
综上，np.digitize 是 NumPy 生态中处理“数值区间→离散标签”映射任务的黄金标准：它兼顾速度、表达力与稳定性，是替代循环和多重条件判断的首选方案。
