我正在分析一些代碼，發現結果令我感到驚訝np.where()。我想where()在數組的一部分上使用（知道2D數組的很大一部分與我的搜索無關），并發現它是我代碼中的瓶頸。作為測試，我創建了一個新的2D數組作為該切片的副本，并測試了的速度where()。事實證明，它的運行速度明顯更快。在我的實際情況中，速度的提高確實非常顯著，但是我認為此測試代碼仍然可以證明我的發現：import numpy as npdef where_on_view(arr):    new_arr = np.where(arr[:, 25:75] == 5, arr[:, 25:75], np.NaN)def where_on_copy(arr):    copied_arr = arr[:, 25:75].copy()    new_arr = np.where(copied_arr == 5, copied_arr, np.NaN)arr = np.random.choice(np.arange(10), 1000000).reshape(1000, 1000)而timeit結果：%timeit where_on_view(arr)398 μs ± 2.82 μs per loop (mean ± std. dev. of 7 runs, 1000 loops each)%timeit where_on_copy(arr)295 μs ± 6.07 μs per loop (mean ± std. dev. of 7 runs, 1000 loops each)由于這兩種方法都返回一個新數組，因此我不清楚如何事先獲取切片的完整副本才能達到np.where()這種程度。我還進行了一些健全性檢查，以確認：在這種情況下，它們都返回相同的結果。where() 搜索實際上僅限于切片，而不是檢查整個數組，然后過濾輸出。這里：# Sanity check that they do give the same outputtest_arr = np.random.choice(np.arange(3), 25).reshape(5, 5)test_arr_copy = test_arr[:, 1:3].copy()print("No copy")print(np.where(test_arr[:, 1:3] == 2, test_arr[:, 1:3], np.NaN))print("With copy")print(np.where(test_arr_copy == 2, test_arr_copy, np.NaN))# Sanity check that it doesn't search the whole arraydef where_on_full_array(arr):    new_arr = np.where(arr == 5, arr, np.NaN)#%timeit where_on_full_array(arr)#7.54 ms ± 47.6 μs per loop (mean ± std. dev. of 7 runs, 100 loops each)我很好奇這種情況下增加的開銷來自哪里？