应优先用 x in arr 检查单值存在性；np.in1d 适用于批量判断，需注意 assume_unique 参数、类型一致性和浮点精度问题；新代码推荐 np.isin 替代。
用 np.in1d 判断数组是否含某值，但别直接用它做“存在性检查”
np.in1d 的设计目标是批量判断多个元素是否在另一个数组中出现，返回布尔数组，不是 True/False。想查“某个值 x 是否在 arr 里”，直接写 np.in1d([x], arr) 会返回 [True] 或 [False]，还得额外取索引或调 any() —— 多此一举。
- 真正轻量的写法是：
x in arr（对一维ndarray有效，底层走 C 级成员检查） - 如果
arr是高维，先用arr.flatten()或arr.ravel()拉平再查 -
np.in1d合适的场景是：你有一组待查值test_vals，想一次性知道它们各自是否在ref_arr中出现
np.in1d 的 assume_unique 参数影响性能，不设对默认值可能拖慢 3 倍以上
当 ref_arr（第二个参数）本身不含重复值时，显式传 assume_unique=True，np.in1d 会跳过去重步骤，改用哈希查找；否则默认会先调 np.unique 去重，尤其对大数组代价明显。
- 确认
ref_arr无重复？直接加assume_unique=True - 不确定？别硬设
True，否则结果可能错（比如ref_arr = [1, 1, 2]，设True后in1d([1], ref_arr)可能返回[False]） - 实测：100 万元素数组，设
False（默认）比True慢 2.7×，且内存多占约 40%
注意 np.in1d 对数据类型敏感，浮点比较容易误判
如果 test_vals 和 ref_arr 类型不一致（比如一个是 float32，一个是 float64），或含浮点数，np.in1d 用的是严格相等（==），不是近似相等。小误差会导致本该匹配的值被漏掉。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 避免混用精度：统一转成
ref_arr.astype(test_vals.dtype)再传入 - 真要处理浮点容差？别用
np.in1d，改用np.isclose配合广播，例如：np.any(np.isclose(ref_arr, x, atol=1e-8)) - 整数、字符串、bool 安全；
datetime64和object类型也能用，但速度慢，且object数组中若含NaN会引发TypeError
替代方案：什么时候该换 np.isin？
np.isin 是 np.in1d 的现代替代，语义更清晰、行为更直观（比如保持输入维度、支持 invert 参数），且从 NumPy 1.13 起就推荐使用。老代码里看到 in1d，基本都可以无缝换成 isin。
- 函数签名几乎一样：
np.isin(test_vals, ref_arr, assume_unique=...) - 返回形状和
test_vals一致，不用再 reshape；而in1d总是返回一维 - 如果你用的是 NumPy ≥ 1.13，新代码直接写
np.isin，别纠结兼容旧版本 - 唯一要注意：
np.isin不支持kind参数（in1d有但极少用），一般不影响
实际用的时候，最常被忽略的是类型对齐和浮点精度——不是函数不会用，而是没意识到输入数据本身就在悄悄破坏匹配逻辑。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
