本文介绍如何利用 np.isin() 函数，根据任意长度的目标值数组快速生成与原数组等长的布尔掩码，替代冗长的多条件 or 拼接，显著提升代码可读性与执行效率。
本文介绍如何利用 `np.isin()` 函数，根据任意长度的目标值数组快速生成与原数组等长的布尔掩码，替代冗长的多条件 `or` 拼接，显著提升代码可读性与执行效率。
在 NumPy 数据处理中，常需判断一个数组中的元素是否属于某个给定的值集合（例如黑名单过滤、类别筛选等），并据此生成布尔掩码。传统做法如 (arr == 2) | (arr == 4) | (arr == 5) 不仅语法繁琐，更难以扩展——当 values 包含数十甚至上百个元素时，手动拼接逻辑或 or/| 表达式完全不可行，且易出错。
正确且高效的解决方案是使用 np.isin() —— 这是 NumPy 专为“成员检测”设计的向量化函数，语义清晰、性能优异，且完全支持任意长度的 values 数组（支持 list、tuple 或 np.ndarray）。
以下为完整示例：
import numpy as np arr = np.array([1, 2, 3, 4, 5]) values = np.array([2, 4, 5]) mask = np.isin(arr, values) print(mask) # 输出: [False True False True True]
✅ 优势说明：
-
向量化实现：底层用哈希表或排序+二分（取决于参数
assume_unique和invert），时间复杂度接近 O(n + m)，远优于多重==的 O(n × m)； -
语法简洁：一行代码替代循环或
reduce(np.logical_or, ...)等复杂写法； -
无缝集成
np.where：生成的mask可直接用于索引或np.where，例如：result = arr[mask] # 获取匹配元素 → [2, 4, 5] indices = np.where(mask)[0] # 获取匹配索引 → [1, 3, 4]
⚠️ 注意事项：
-
np.isin()默认不假设values唯一，若已知其无重复且规模较大，可设assume_unique=True进一步提速； - 与
np.in1d()功能相似，但np.isin()保持arr的原始形状（对高维数组也适用），而np.in1d()总返回一维结果，因此推荐优先使用np.isin()； - 若需反向掩码（即“不在
values中”的元素），可直接~np.isin(arr, values)，无需额外参数。
总之，np.isin() 是替代 arr == val1 or arr == val2 or ... 的标准、健壮且高性能方案，应作为 NumPy 布尔条件构造的首选工具。
