本文介绍一种基于 numpy 向量化操作的高效方法，用于批量验证三维数组中每个“时间切片”（如每小时序列）是否满足模 24 的时间连续性（即相邻时刻差为 1，允许跨日如 23→0），避免内存密集型 pandas 转换，显著提升大规模数据处理性能。
本文介绍一种基于 numpy 向量化操作的高效方法，用于批量验证三维数组中每个“时间切片”（如每小时序列）是否满足模 24 的时间连续性（即相邻时刻差为 1，允许跨日如 23→0），避免内存密集型 pandas 转换，显著提升大规模数据处理性能。
在气象、IoT 或时序遥感等场景中，常遇到形如 (N, 24, C) 的三维数组，其中第二维（长度 24）代表一天内按小时排列的时间戳（整数 0–23）。理想情况下，每个 N 对应的切片应构成一个模 24 连续循环序列：即从任意起始小时 h₀ 开始，后续元素严格满足 hᵢ ≡ hᵢ₋₁ + 1 (mod 24)。例如 [20,21,22,23,0,1,...,19] 合法；而 [0,2,3,4,...]（跳过 1）或 [1,2,4,4,0]（重复且跳跃）则需剔除整条切片。
核心挑战在于：对十万级 N 批量判断，若逐条转为 Pandas Series 并用 .diff() 检查，将引发严重内存与计算开销。正确解法是完全向量化——利用 NumPy 的广播与切片能力，在单次操作中完成全部 N 条切片的并行校验。
以下函数 filter_continuous_bands 实现该逻辑：
import numpy as np
def filter_continuous_bands(arr, hour_axis=1, modulo=24):
"""
高效筛选满足模 modulo 时间连续性的三维数组切片
Parameters:
-----------
arr : np.ndarray
输入数组，shape 至少为 3D，hour_axis 指定时间维度索引（默认为 1）
hour_axis : int
时间列所在轴（如 (N, 24, C) 中 hour_axis=1）
modulo : int
时间模数（通常为 24）
Returns:
--------
np.ndarray
筛选后的数组，仅保留时间连续的切片
"""
# 提取时间列：保持其他维度，压缩时间轴为一维向量
# 例如 (100000, 24, 24) → (100000, 24)；注意 axis=1 时 transpose 可能更直观
if hour_axis == 1:
hours = arr[:, :, 0] # 假设时间列在最后一维第 0 列；若时间列独立存储，可传入 hour_col_idx
else:
# 通用提取：先移轴使时间轴到末尾，再取切片
transposed = np.moveaxis(arr, hour_axis, -1)
hours = transposed[..., 0] # 假设时间信息在通道/特征维首列
# 向量化检查：对每个切片，验证 arr[1:] == (arr[:-1] + 1) % modulo
# 使用 broadcasting：hours[:, 1:] 与 (hours[:, :-1] + 1) % modulo 形状一致
diffs_ok = (hours[:, 1:] == (hours[:, :-1] + 1) % modulo)
# 每个切片需全部 True 才合格
valid_mask = np.all(diffs_ok, axis=1)
return arr[valid_mask] # 自动沿第 0 轴（N 维）索引
# 示例验证（复现问题中的最小可运行案例）
shape = (3, 5, 1)
random_array = np.random.randint(0, 10, size=shape)
random_array[0, :, 0] = [0, 1, 2, 3, 4] # ✅ 连续
random_array[1, :, 0] = [3, 4, 0, 1, 2] # ✅ 循环连续（3→4→0→1→2）
random_array[2, :, 0] = [1, 2, 4, 4, 0] # ❌ 跳跃（2→4）且重复（4→4）
filtered = filter_continuous_bands(random_array, hour_axis=1, modulo=5) # 此处用 modulo=5 匹配示例
print("原始形状:", random_array.shape)
print("筛选后形状:", filtered.shape) # 输出: (2, 5, 1)
关键优化点说明：
- 零拷贝切片：hours[:, 1:] 和 hours[:, :-1] 共享底层内存，不创建新数组；
- 全向量化：np.all(..., axis=1) 在 C 层高效聚合，避免 Python 循环；
- 内存友好：全程仅需 O(N×24) 临时布尔数组（远小于 Pandas DataFrame 的开销）；
- 灵活适配：通过 hour_axis 和 modulo 参数支持任意形状与时间粒度（如 12 小时制、60 分钟制）。
注意事项：
- 确保输入 arr 中时间列已归一化为 0..modulo-1 整数，否则模运算结果不可靠；
- 若时间信息不在固定列（如混合在多通道中），需预先提取为 (N, T) 形状再调用；
- 对超大规模 N（如 >1e6），可分块处理（np.array_split）以控制峰值内存。
此方案在 100,000×24×24 数组上实测耗时
