np.searchsorted返回插入位置而非存在性判断，要求输入数组严格升序，支持left/right边界选择以定位重复值范围，仅适用于一维数组，浮点精度与NaN需手动处理。
np.searchsorted 返回的是插入点，不是“是否存在”
它不判断目标值是否真的在数组里，只算出「如果要插进去，该放哪」。比如 np.searchsorted([1, 3, 5, 7], 4) 返回 2，哪怕 4 根本不在数组中。这个设计让它天然适合做区间定位、分段统计、累积和索引映射等任务，而不是替代 in 或 np.isin。
必须确保输入数组升序，否则结果不可信
它底层是纯二分查找，完全依赖单调性。传入未排序数组不会报错，而是静默返回错误索引——比如 np.searchsorted([3, 1, 4, 1, 5], 2) 可能返回 0 或 1，但毫无意义。常见做法是先用 np.sort 配合 np.argsort 保存原始索引，再对排序后数组调用 searchsorted。
side='left' 和 side='right' 决定重复值的边界行为
当目标值在数组中多次出现时，side 参数才起作用：
-
side='left'（默认）：返回第一个 ≥ 目标值的位置，即最左可插入点 -
side='right'：返回第一个 > 目标值的位置，即最右可插入点之后
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<br>np.searchsorted(arr, 4, side='right') # → 4
两者相减就能拿到所有等于 4 的元素切片范围：arr[1:4]。
不能直接处理多维数组，但有实用绕过方式
np.searchsorted 明确只接受一维 ndarray。传二维会直接报 ValueError: object of too small depth for desired array。真要按行查，别用 np.apply_along_axis（Python 循环慢），更推荐：
- 用
numba.jit加速手写循环版二分（支持任意维度逻辑） - 把二维展平 + 记录每行长度，再批量计算偏移（适合固定行宽）
- 确认是否真需要逐行查——有时转成一维 + 全局索引映射更高效
浮点数精度、NaN、越界访问这些细节，在高吞吐场景下容易被忽略，但一旦出问题就难定位。别假设 searchsorted 会帮你兜底。
