由于你所做的本质上是一个Pandas cumcount，而Pandas在内部使用NumPy，一个想法是看看他们是如何实现cumcount的，并做同样的事情。
如果你读了Pandas的cumcount代码，它在内部是这样实现的：

• 对数组进行排序，跟踪每个元素的来源。
• 将已排序数组的每个元素与下一个元素进行比较。如果不同，则开始新的运行。（run）
• 求出每组的长度。（rep）
• 进行累计求和，对于不属于新运行的每个元素递增1。（out）
• 跟踪每个组受其之前的组影响的程度，这不应该计数。（out[run]）
• 重复该值减去rep。
• 撤消初始排序以将元素放回其原始位置。

下面是如何在不依赖任何Pandas的情况下做同样的事情。

def order(array):
    # https://github.com/pandas-dev/pandas/blob/v1.3.5/pandas/core/groupby/groupby.py#L1493
    if len(array) == 0:
        return np.array([])
    count = len(array)
    # Can remove 'stable' here to increase speed if you
    # don't care what order the order is assigned in
    ind = np.argsort(array, kind='stable')
    array = array[ind]
    run = np.r_[True, array[:-1] != array[1:]]
    rep = np.diff(np.r_[np.nonzero(run)[0], count])
    out = (~run).cumsum()
    out -= np.repeat(out[run], rep)
    rev = np.empty(count, dtype=np.intp)
    rev[ind] = np.arange(count, dtype=np.intp)
    out = out[rev]
    return out

字符串
我发现这对于1000个元素和更大的数组来说快了大约10倍。