您可以：

• 使用view so将布尔值转换为1字节整数值，不需要任何拷贝;
• 使用1字节整数计算操作（对于大型数组更快，因为它们在RAM和CPU缓存中占用的空间更少）;
• 用移位替换np.where，通常计算起来要快一些（多亏了SIMD指令）;
• 由于许多Numpy函数的第三个参数（out），可以执行就地计算，以避免创建无用的临时数组

下面是生成的代码：

def compute_faster(i0, i1, i2, i3):
    tmp1 = np.left_shift(i0.view(np.uint8), np.uint8(3))
    tmp2 = np.left_shift(i1.view(np.uint8), np.uint8(2))
    np.bitwise_or(tmp1, tmp2, tmp1)
    np.left_shift(i2.view(np.uint8), np.uint8(1), tmp2)
    np.bitwise_or(tmp1, tmp2, tmp1)
    np.bitwise_or(tmp1, i3.view(np.uint8), tmp1)
    return tmp1

字符串
我假设输入值是布尔类型的数组，因为x < y返回这样的数组。注意，输出是一个uint 8类型的数组（所以你应该关心溢出和有符号的值，或者你可以只转换它或int 32类型的数组以使其安全，代价是计算速度较慢）。
这当然是只使用Numpy的最佳解决方案。为了获得更快的性能，您当然需要使用本机编译代码。Numba和Cython是一个很好的加速方法。以下是使用Numba的解决方案：

import numba as nb

# Assume the input arrays are contiguous. 
# Please use bool_[:] otherwise
@nb.njit('(bool_[::1], bool_[::1], bool_[::1], bool_[::1])')
def compute_fastest(i0, i1, i2, i3):
    out = np.empty(i0.size, dtype=np.uint8)
    ui0 = i0.view(np.uint8)
    ui1 = i1.view(np.uint8)
    ui2 = i2.view(np.uint8)
    ui3 = i3.view(np.uint8)
    for i in range(i0.size):
        # `+` is faster than `|` since `|` is not a bitwise operator in Python and Numba keep its semantic.
        # This enable the compiler to generate fast SIMD instructions
        out[i] = (ui0[i] << np.uint8(3)) + (ui1[i] << np.uint8(2)) + (ui2[i] << np.uint8(1)) + ui3[i]
    return out

型

性能结果

以下是在我的i5- 9600 KF处理器上使用Numpy 1.24.3的大小为4096的数组的性能结果：

reference code:    27.2 µs
compute_faster:    17.7 µs
compute_fastest:    1.5 µs

型
Numba代码当然非常接近于非常短的数组的最佳值。对于非常短的代码，Cython应该更好，因为它可能会降低开销。对于非常大的数组，可以使用多线程（使用parallel=True标志和nb.prange而不是range）。

假设i0/i1/i2/i3的布尔数组可以用途：

out = 8*i0 + 4*i1 + 2*i2 + i3

字符串

您可以使用按位运算符：

out = (i0<<3) | (i1<<2) | (i2<<1) | (i3<<0)

字符串