应优先使用 np.searchsorted 实现插入点查找，因其底层为C语言二分查找，比Python循环或bisect更快更稳；需确保输入数组已排序，支持向量化查询、side参数控制左右插入、sorter预排序优化及axis指定维度。
用 np.searchsorted 找插入点，比手写二分快且稳
直接用 np.searchsorted —— 它专为这个场景设计，底层是 C 实现的二分查找，比 Python 循环或 bisect 模块在 NumPy 数组上快得多，且自动适配数组形状。
常见错误是传入未排序数组还期望结果正确：np.searchsorted 不检查是否已排序，输入乱序时返回值无意义。务必确保输入 arr 是升序（默认）或降序（需显式设 sorter 或手动翻转逻辑）。
- 升序数组（最常用）：
np.searchsorted(arr, val)返回val插入后仍保持升序的最左索引 - 想插到重复元素右侧？加参数
side='right' -
val可以是标量，也可以是数组 —— 返回等长索引数组，支持向量化 - 如果
arr是降序，别硬改side；先用arr[::-1]翻转，再对结果做len(arr) - idx
np.searchsorted 和 Python bisect 选哪个？
如果你操作的是纯 Python 列表，用 bisect.bisect_left 更自然；但一旦数据在 np.ndarray 里，别转成 list 再调 bisect —— 转换开销大，还丢掉向量化能力。
性能差异明显：对百万级数组查 1000 个值，np.searchsorted 通常快 5–10 倍，且内存连续访问更友好。
立即学习“Python免费学习笔记（深入）”；
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
-
bisect无法直接处理多维数组；np.searchsorted支持axis参数（仅 1D 有效，高维需展平或沿轴循环） -
np.searchsorted支持sorter参数：传入预计算的索引数组，可应对“数组不变、只变查询值”的高频场景 - 注意边界：查的值比所有元素都小，返回
0；比所有都大，返回len(arr)—— 这是合法插入位置，不是越界错误
查多个值时怎么避免循环？
把要查的值堆成一维数组，一次性喂给 np.searchsorted，它自动广播并返回同形索引数组。这是最易被忽略的提速点。
import numpy as np arr = np.array([1, 3, 5, 7, 9]) queries = np.array([0, 4, 6, 8, 10]) idx = np.searchsorted(arr, queries) # → array([0, 2, 3, 4, 5])
- 不要写
[np.searchsorted(arr, x) for x in queries]—— 失去 NumPy 向量化优势 - 如果
queries是二维，比如(1000, 50)，先reshape(-1)查完再reshape回去 - 注意 dtype：若
arr是int64，queries是float32，结果索引仍是int64，无需额外转换
为什么有时结果和预期差 1？
关键在 side 参数含义和你脑中的“插入后位置”是否一致。默认 side='left' 表示“插入到相同值的最左边”，所以 np.searchsorted([2,2,2], 2) 返回 0；设 side='right' 才返回 3。
另一个坑是混淆“插入点”和“排序后下标”：插入点只是位置，不改变原数组；若真要插入，得用 np.insert(arr, idx, val)，但那会复制整个数组，代价高。
- 查
val是否已存在？对比arr[idx] == val（注意先判断idx ） - 想定位
val在排序后数组中的最终下标？那就是idx，不是idx-1或idx+1 - 浮点数慎用：因精度问题，
np.searchsorted可能找不到本该相等的值；必要时先用np.round或容忍误差范围预处理
实际用的时候，最常漏掉的是确认输入数组是否真有序，以及没意识到 queries 能直接向量化。这两处省下的时间，往往比选函数本身更重要。
