在0.20中有一个名为Intervalindexnew的有趣API，它允许您创建间隔索引
给出一些示例数据：
数据=[（893.1516130000001903.91870999999），
(882.384516, 893.1516130000001),
(817.781935, 828.549032)]
您可以按如下方式创建索引：
idx=pd.IntervalIndex.from\u元组（数据）
打印（idx）
区间指数（[（893.151613903.91871]，（882.384516893.151613]，（817.781935828.549032]）
右‘，右‘，
dtype='interval[float64]'）
Intervals的一个有趣特性是，您可以使用中的执行间隔检查：
打印（y[-1]）
区间（817.781934999998828.549032000000001，右关闭）
打印（y轴820英寸[-1]）
符合事实的
打印（1000英寸y[-1]）
错误的
我想知道如何将此操作应用于整个索引。例如，给定某个数字900，如何检索该数字所对应的布尔区间掩码
我能想到：
m=[900英寸y代表y在idx中]
打印（m）
[真，假，假]
有更好的方法吗
如果您对性能感兴趣，IntervalIndex将针对搜索进行优化。使用.get\u loc或.get\u indexer使用内部构建的IntervalTree（如二叉树），它是在首次使用时构建的
[29]on
：idx=pd.IntervalIndex.from_元组（数据*10000）
[30]on：%timeit-n1-r1idx.map（λx:900英寸x）
每个回路92.8 ms±0 ns（1次运行的平均值±标准偏差，每个回路1次）
At[40]on：%timeit-n1-r1idx.map（λx:900英寸x）
每个回路42.7 ms±0 ns（1次运行的平均值±标准偏差，每个回路1次）
#构造树和搜索
At[31]：%timeit-n1-r1idx.get_loc（900）
每个回路4.55 ms±0 ns（1次运行的平均值±标准偏差，每个回路1次）
#随后
At[32]：%timeit-n1-r1idx.get_loc（900）
每个回路137µs±0 ns（1次运行的平均值±标准偏差，每个回路1次）
#对于单个索引器，您可以做得更好（请注意，这是
#稍微了解一下impl
At[27]：%timeit np.arange（len（idx））[（900>；idx.left）&；（900<；=idx.right）]
每个回路203µs±1.55µs（7次运行的平均±标准偏差，每个1000个回路）
注意.get_loc（）返回一个索引器（实际上比布尔数组更有用，但它们可以相互转换）
[38]on
：idx.map（λx:900英寸x）
...:
Output[38]：
索引（[真，假，假，真，假，假，真，假，假，假，真，
...
False，True，False，False，True，False，True，False，False]，dtype='object'，length=30000）
In[39]：idx.get_loc（900）
...:
Out[39]：数组（[299971998710008，…，1999219989，0]）
返回布尔数组将转换为索引器数组
[5]on
：np.arange（len（idx））[idx.map（lambda x:900 In x）.values.astype（bool）]
Out[5]：数组（[0，3，6，…，29991，29994，29997]）
下面是.get_loc（）和.get_indexer（）返回的内容：
[6]on
：np.sort（idx.get_loc（900））
Out[6]：数组（[0，3，6，…，29991，29994，29997]）