你应该用np。而不是np。argmax。后者即使没有找到值也会返回位置0，这不是您期望的索引。

>>> aa = np.array(range(-10,10))
>>> print(aa)
array([-10,  -9,  -8,  -7,  -6,  -5,  -4,  -3,  -2,  -1,   0,   1,   2,
         3,   4,   5,   6,   7,   8,   9])

如果满足条件，则返回一个索引数组。

>>> idx = np.where(aa > 5)[0]
>>> print(idx)
array([16, 17, 18, 19], dtype=int64)

否则，如果不满足，则返回一个空数组。

>>> not_found = len(np.where(aa > 20)[0])
>>> print(not_found)
array([], dtype=int64)

在这种情况下反对argmax的观点是:如果解决方案没有歧义，那么越简单越好。因此，要检查是否有东西符合条件，只需执行if len(np。Where (aa > value_to_search)[0]) > 0;

元素间步长为常数的数组

对于范围或任何其他线性增加的数组，你可以简单地通过编程计算索引，根本不需要实际遍历数组:

def first_index_calculate_range_like(val, arr):
    if len(arr) == 0:
        raise ValueError('no value greater than {}'.format(val))
    elif len(arr) == 1:
        if arr[0] > val:
            return 0
        else:
            raise ValueError('no value greater than {}'.format(val))

    first_value = arr[0]
    step = arr[1] - first_value
    # For linearly decreasing arrays or constant arrays we only need to check
    # the first element, because if that does not satisfy the condition
    # no other element will.
    if step <= 0:
        if first_value > val:
            return 0
        else:
            raise ValueError('no value greater than {}'.format(val))

    calculated_position = (val - first_value) / step

    if calculated_position < 0:
        return 0
    elif calculated_position > len(arr) - 1:
        raise ValueError('no value greater than {}'.format(val))

    return int(calculated_position) + 1

有人可能会改进一下。我已经确保它可以正确地为一些示例数组和值，但这并不意味着不可能有错误在那里，特别是考虑到它使用浮动…

>>> import numpy as np
>>> first_index_calculate_range_like(5, np.arange(-10, 10))
16
>>> np.arange(-10, 10)[16]  # double check
6

>>> first_index_calculate_range_like(4.8, np.arange(-10, 10))
15

假设它可以在不进行任何迭代的情况下计算位置，它将是常数时间(O(1))，并且可能优于所有其他提到的方法。但是，它要求数组中的步长为常数，否则将产生错误的结果。

使用numba的一般解决方案

更通用的方法是使用numba函数:

@nb.njit
def first_index_numba(val, arr):
    for idx in range(len(arr)):
        if arr[idx] > val:
            return idx
    return -1

这对任何数组都适用，但它必须遍历数组，所以在平均情况下，它将是O(n):

>>> first_index_numba(4.8, np.arange(-10, 10))
15
>>> first_index_numba(5, np.arange(-10, 10))
16

基准

尽管Nico Schlömer已经提供了一些基准，但我认为将我的新解决方案包括在内并测试不同的“值”可能是有用的。

测试设置:

import numpy as np
import math
import numba as nb

def first_index_using_argmax(val, arr):
    return np.argmax(arr > val)

def first_index_using_where(val, arr):
    return np.where(arr > val)[0][0]

def first_index_using_nonzero(val, arr):
    return np.nonzero(arr > val)[0][0]

def first_index_using_searchsorted(val, arr):
    return np.searchsorted(arr, val) + 1

def first_index_using_min(val, arr):
    return np.min(np.where(arr > val))

def first_index_calculate_range_like(val, arr):
    if len(arr) == 0:
        raise ValueError('empty array')
    elif len(arr) == 1:
        if arr[0] > val:
            return 0
        else:
            raise ValueError('no value greater than {}'.format(val))

    first_value = arr[0]
    step = arr[1] - first_value
    if step <= 0:
        if first_value > val:
            return 0
        else:
            raise ValueError('no value greater than {}'.format(val))

    calculated_position = (val - first_value) / step

    if calculated_position < 0:
        return 0
    elif calculated_position > len(arr) - 1:
        raise ValueError('no value greater than {}'.format(val))

    return int(calculated_position) + 1

@nb.njit
def first_index_numba(val, arr):
    for idx in range(len(arr)):
        if arr[idx] > val:
            return idx
    return -1

funcs = [
    first_index_using_argmax, 
    first_index_using_min, 
    first_index_using_nonzero,
    first_index_calculate_range_like, 
    first_index_numba, 
    first_index_using_searchsorted, 
    first_index_using_where
]

from simple_benchmark import benchmark, MultiArgument

这些图是用以下方法生成的:

%matplotlib notebook
b.plot()

Item在开头

b = benchmark(
    funcs,
    {2**i: MultiArgument([0, np.arange(2**i)]) for i in range(2, 20)},
    argument_name="array size")

numba函数的性能最好，其次是compute -函数和searchsorted函数。其他解决方案的性能要差得多。

Item在最后

b = benchmark(
    funcs,
    {2**i: MultiArgument([2**i-2, np.arange(2**i)]) for i in range(2, 20)},
    argument_name="array size")

对于小型数组，numba函数执行得非常快，但是对于较大的数组，它被compute -function和searchsorted函数所超越。

项目位于根号(len)

b = benchmark(
    funcs,
    {2**i: MultiArgument([np.sqrt(2**i), np.arange(2**i)]) for i in range(2, 20)},
    argument_name="array size")

这个更有趣。numba和calculate函数执行得很好，但这实际上触发了最坏的情况searchsorted，在这种情况下工作得不好。

没有值满足条件时函数的比较

另一个有趣的地方是，如果没有应该返回索引的值，这些函数将如何表现:

arr = np.ones(100)
value = 2

for func in funcs:
    print(func.__name__)
    try:
        print('-->', func(value, arr))
    except Exception as e:
        print('-->', e)

结果是:

first_index_using_argmax
--> 0
first_index_using_min
--> zero-size array to reduction operation minimum which has no identity
first_index_using_nonzero
--> index 0 is out of bounds for axis 0 with size 0
first_index_calculate_range_like
--> no value greater than 2
first_index_numba
--> -1
first_index_using_searchsorted
--> 101
first_index_using_where
--> index 0 is out of bounds for axis 0 with size 0

Searchsorted、argmax和numba返回错误的值。但是searchsorted和numba返回的索引不是数组的有效索引。

其中，min，非零和calculate函数抛出异常。然而，实际上只有calculate的异常表示有帮助的东西。

这意味着实际上必须将这些调用包装在一个适当的包装器函数中，该函数捕获异常或无效的返回值并进行适当处理，至少在您不确定值是否可以在数组中时是这样。

---

注意:calculate和searchsorted选项仅在特殊条件下有效。“计算”函数需要一个常量步长，而searchsorted则需要对数组进行排序。所以这些在适当的情况下可能有用，但不是解决这个问题的一般方法。如果你正在处理排序的Python列表，你可能想看看bisect模块，而不是使用Numpys searchsorted。

我想求婚

np.min(np.append(np.where(aa>5)[0],np.inf))

这将返回满足条件的最小索引，而如果不满足条件则返回无穷大(并且where返回空数组)。

我对此也很感兴趣，我将所有建议的答案与perfplot进行了比较。(声明:我是perfplot的作者。)

如果您知道您正在查看的数组已经排序，那么

numpy.searchsorted(a, alpha)

是给你的。它是O(log(n))操作，也就是说，速度几乎不取决于数组的大小。没有比这更快的了。

如果你对数组一无所知，你就不会出错

numpy.argmax(a > alpha)

已经排序:

未分类的:

代码重现情节:

import numpy
import perfplot


alpha = 0.5
numpy.random.seed(0)


def argmax(data):
    return numpy.argmax(data > alpha)


def where(data):
    return numpy.where(data > alpha)[0][0]


def nonzero(data):
    return numpy.nonzero(data > alpha)[0][0]


def searchsorted(data):
    return numpy.searchsorted(data, alpha)


perfplot.save(
    "out.png",
    # setup=numpy.random.rand,
    setup=lambda n: numpy.sort(numpy.random.rand(n)),
    kernels=[argmax, where, nonzero, searchsorted],
    n_range=[2 ** k for k in range(2, 23)],
    xlabel="len(array)",
)

给定数组的排序内容，还有一个更快的方法:searchsorted。

import time
N = 10000
aa = np.arange(-N,N)
%timeit np.searchsorted(aa, N/2)+1
%timeit np.argmax(aa>N/2)
%timeit np.where(aa>N/2)[0][0]
%timeit np.nonzero(aa>N/2)[0][0]

# Output
100000 loops, best of 3: 5.97 µs per loop
10000 loops, best of 3: 46.3 µs per loop
10000 loops, best of 3: 154 µs per loop
10000 loops, best of 3: 154 µs per loop

我会说

i = np.min(np.where(V >= x))

其中V是向量(1d数组)，x是值，i是结果索引。