本文介绍使用 numpy 高效识别数组中连续递增计数段（以 0 为重置标志）的起始与结束位置，适用于日志序列、状态机计数或分组索引等场景。
本文介绍使用 numpy 高效识别数组中连续递增计数段（以 0 为重置标志）的起始与结束位置，适用于日志序列、状态机计数或分组索引等场景。
在处理传感器采样、状态计数或协议解析等任务时，常遇到一类“重置型计数器”数组：数值从 0 开始单调递增，遇到下一个 0 即表示新一段计数开始。例如：
import numpy as np values = np.array([0, 0, 1, 2, 3, 4, 5, 0, 1, 2, 3, 4, 5, 6, 0, 0, 1, 2, 3]) # index: 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
该数组包含三段有效计数序列：
-
[1,2,3,4,5]（索引 2–6），前导 0 在索引 1，但真正递增段始于第一个非零连续起点； -
[1,2,3,4,5,6]（索引 8–13）； -
[1,2,3]（索引 16–18）。
注意：段的划分依据不是值是否为 0，而是计数逻辑的重置行为——即每当 values[i] == 0 且 values[i-1] != 0（或位于开头），就标志着新段开始；更鲁棒的判据是检测「递减或跳变」，即 diff(values) ，它能准确捕获所有重置点（包括连续多个 0 的情况）。
核心思路：用累积和标记段落组号
我们利用 np.diff 检测重置事件（值下降），再通过 np.cumsum 构造唯一段 ID：
# 步骤 1：检测重置点（当前值 < 前一值 → 发生重置）
reset_mask = np.diff(values) < 0 # 长度为 n-1，True 表示 i 处发生重置（即 values[i] < values[i-1]）
# 步骤 2：构造段组标签（cumsum + prepend 1 保证首段编号为 1）
grp = np.cumsum(np.append(1, reset_mask)) # shape == values.shape
print("Group IDs:", grp)
# Output: [1 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 3 3 3]此时，每个元素被赋予其所属计数段的组号。给定查询索引 idx，只需提取同组的所有索引即可：
def get_counter_span(values, idx):
if not (0 <= idx < len(values)):
raise IndexError("Index out of bounds")
reset_mask = np.diff(values) < 0
grp = np.cumsum(np.append(1, reset_mask))
target_grp = grp[idx]
span_indices = np.where(grp == target_grp)[0]
return span_indices[0], span_indices[-1]
# 示例验证
print(get_counter_span(values, 3)) # → (2, 6)
print(get_counter_span(values, 10)) # → (8, 13)
print(get_counter_span(values, 16)) # → (16, 18)⚠️ 注意事项与边界优化
-
连续零的处理：本方法基于
diff 判据，天然兼容多个连续 0（如 <code>[...,5,0,0,1,...]中第二个 0 不触发新组），符合“重置发生在上升沿之前”的语义。 -
首元素为 0：
np.append(1, reset_mask)确保首个元素总属于第 1 组，无论其值是否为 0。 - 性能优势：全程向量化，无 Python 循环，对百万级数组仍保持毫秒级响应。
-
扩展建议：若需排除纯零段（如
[0,0,0]），可在分组后过滤values[span_indices].max() > 0。
总结
通过 np.diff + np.cumsum 构建段落标识，再结合布尔索引定位范围，即可在 O(n) 时间内完成任意索引的计数段边界查询。该模式简洁、健壮、可复用，是 NumPy 处理序列分段问题的经典范式。
