我有
x = np.array([20000, 700, 1000, -5000, -250, 30, -1000, 50, -30, 75, -999])
我想从x 中排除值-1000、-30，因为它们前面有对应的值1000 和30。我想得到
y = np.array([-5000, -250, -999])
【问题讨论】：
有一个快速的O(n log n) 有效且矢量化的 Numpy 实现。
这个想法是在x（和np.unique）中找到唯一值，并为每个唯一值定位其第一个位置。然后你可以在x中选择值v，如果之前找到-v和v < 0。要查找它之前是否找到，您可以在已排序的唯一值（使用np.searchsorted）中执行二分法，以查找当前索引是否大于找到的索引（在唯一值中）。
这是生成的代码：
xUnique, xFirstPos = np.unique(x, return_index=True)
xIsNeg = x < 0
xNeg = -x
xNegUniquePos = np.searchsorted(xUnique, xNeg)
xNegIsFound = xUnique[xNegUniquePos] == xNeg
xHasNegBefore = np.logical_and(xNegIsFound, xFirstPos[xNegUniquePos] < np.arange(len(x)))
result = x[np.logical_and(xIsNeg, np.logical_not(xHasNegBefore))]
print(result)
以下是一些示例的结果：
x = np.array([20000, 700, 1000, -5000, -250, 30, -1000, 50, -30, 75, -999])
result = np.array([-5000, -250, -999])
x = np.array([-5, 5, -5])
result = np.array([-5])
以下是大小为 100_000 的随机数组的时序（33% 的负值在 -1_000_000 到 2_000_000 范围内）：
Mad Physicist's Numpy implementation: 38900.0 ms
Emi OB's implementation: 1360.0 ms (incorrect so far)
Mad Physicist's pure Python implementation: 40.0 ms
This implementation: 14.1 ms
到目前为止，这个实现比其他实现快得多。对于这个输入大小，Mad Physicist 的 Numpy 实现占用 几个 GiB 的内存，而其他解决方案（包括这个）占用不超过 10 MiB，这毫无价值。
【讨论】：
你可能不会用纯 numpy 获得 O(n) 的实现，但你可以使用 dict：
lookup = {v: i for i, v in enumerate(x) if v > 0}
result = [v for i, v in enumerate(x) if v < 0 and lookup.get(-v, x.size) > i]
这在实践中会有点慢，但有很好的时间复杂度。一个更实际的解决方案是在整个过程中使用 numpy：
# identify the negative numbers
idx = np.flatnonzero(x < 0)
# get the corresponding negative values
neg = x[idx]
# find the index of the first corresponding positive
# will contain false zero for non-matching
p = (-neg == x[:, None]).argmax(0)
# set non-matching to large number
p[x[p] != -neg] = x.size
# return only elements that have smaller index than corresponding positive
result = x[idx[p > idx]]
由于argmax，这是 O(n^2)，但可能比您在实践中可能遇到的数组的纯 python 实现更快。
【讨论】：
根据新信息进行编辑
您可以使用列表推导和枚举。遍历 x 中的每个元素，仅当它小于 0（负）并且乘以 -1 的值不在 x 中直到该位置时才保留它（即，如果它在列表中位于它之前）。
y = np.array([i for pos,i in enumerate(x) if i<0 and i*-1 not in x[:pos])
【讨论】：