先说一个我最近遇到的实际问题写行情回测脚本的时候我需要从一整年的收盘价里找出最低点并且还要知道它发生在哪一天。“找最低点”这半句话听起来太简单了简单到不值得单独写一篇文档。但真正动手之后你才发现事情没有想象中顺利——价格序列里有缺失值、有重复的最低价、日期和价格数组要一一对上、空数据又该如何反馈。这些零零碎碎的问题加起来把一个原本只需要两行代码的小需求变成了一个需要认真设计的小工具。这篇文章就围绕“最小数和它的位置”这个经典问题展开。我会从最朴素的需求拆解讲起一步步把这看似简单的逻辑打磨成健壮的函数再分享几个不同语言下的实测结果和我在这个题目上踩过的坑。内容适合刚学编程的初学者也适合经常写数据处理脚本、正在准备面试或者想把手头工具做扎实的朋友。1. 把“找最小值”翻译成程序指令没你想的那么直接1.1 “最小值是多少”和“最小值在哪”是两个需求很多时候需求方的表述是模糊的。“帮我找一下这组数据里的最小数和它的位置”这句话可以拆出至少三种完全不同的任务只要最小值本身不关心它出现在哪里。既要最小值也要它第一次出现的位置。既要最小值还要它所有出现过的位置尤其是当最小数不止一个时。这三者的实现成本完全不同。第一种最简单大多数编程语言自带min()函数一行代码就能解决。第二种也不难但如果你只想着“先求最小值再用位置查找函数去找索引”那么你这个实现实际上扫描了数组两遍。第三种最复杂因为你要维护一个列表来存放所有匹配的位置而列表的长度一开始是无法预知的只能在遍历过程中不断追加。实际业务里第二种和第三种最常见。举个例子股票回测中我要找“期间最低收盘价对应的是哪个交易日”这就是第二种如果我希望找出“期间所有出现最低收盘价的交易日”例如用来统计底部形态出现的次数那就是第三种。1.2 为什么第一反应不该是排序不少初学者一看到“最小值和位置”就想到排序先把数组升序排好最小值自然是第一个元素它原来的位置似乎也能通过查找拿到。这个思路在数据量很小的时候确实能跑出结果但它隐藏着三个问题排序的时间复杂度是 O(n log n)线性扫描只需要 O(n)。排序会改变原数组的顺序如果你后续还要处理其他关联数据很容易因为“索引错位”导致数据对不上。如果数组里有完全相同的多个最小值排序之后你看到的第一个元素只能告诉你“有一个最小值在这个位置”但排序算法并不保证相同元素的相对先后顺序你拿到的位置可能和实际期望的不一致。所以正解是线性扫描从数组第一个元素开始记录当前最小值及其位置遇到更小的值就更新这两个量直到遍历完所有元素。1.3 线性扫描的“教科书版本”Python 版本def find_min_and_position(arr): if not arr: return None, -1 min_val arr[0] min_pos 0 for i in range(1, len(arr)): if arr[i] min_val: min_val arr[i] min_pos i return min_val, min_posJavaScript 版本function findMinAndPosition(arr) { if (arr.length 0) return [null, -1]; let minVal arr[0]; let minPos 0; for (let i 1; i arr.length; i) { if (arr[i] minVal) { minVal arr[i]; minPos i; } } return [minVal, minPos]; }这两个版本已经能满足“干净数据”下的需求数组非空、元素都是可比较的数字、不要求记录所有重复最小值。但请记住这只是“能跑”的版本。真实世界的数据从来不会这么干净接下来的部分才是这篇文章的重点。2. 从“能跑”到“跑稳”边界条件才是魔鬼的藏身处2.1 空数组宁可主动报错也不要静默返回奇怪值第一个让人纠结的问题是如果传入的数组是空的函数到底应该返回什么有人会直接返回(None, -1)有人会返回(0, 0)还有人会抛出异常。如果你在写一次性脚本怎么处理都无所谓但如果你在写会被其他模块调用的公共函数这里的决策直接决定后续排错的难度。我的习惯是主动抛出异常绝对不静默返回默认值。原因很简单——空数组在业务上往往意味着“数据源有问题”或者“上游接口没返回数据”如果你返回(None, -1)调用方只要忘了判断后面拿None去做运算就会产生一串匪夷所思的结果排错会非常痛苦。更隐蔽的情况是返回(0, 0)你以为找到了一个不存在的“最小值”实际只不过是把默认值误当成了有效结果。如果你实在不想抛出异常另一个可接受的方案是返回一个结果对象明确告诉调用方“这次查找失败了”。例如这样dataclass class MinResult: found: bool min_val: Optional[float] None positions: List[int] []这样调用方哪怕忘记判断found字段下一步取result.min_val时得到None也更容易察觉异常。比起静默返回0或-1这要安全得多。2.2 重复最小值只返回一个位置还是全部位置假设输入是[3, 5, 2, 8, 2]最小值是 2它在索引 2 和索引 4 都出现了。你的函数应该返回哪一个不同业务场景有不同的需求如果你只是想知道“是否存在这么个最小值大致在哪”返回第一次出现的位置就够了。如果你要基于这个位置做数据对齐比如找到某天的最低价之后还想顺着索引去拿那天的日期那么返回哪一个位置都无所谓只要保证索引能对上原始数组就行。如果你想统计最低价一共出现了几次或者把每一次最低价对应的日期都拉出来那就必须返回一个列表。综合来看我会把“返回所有位置”作为默认行为因为从“所有位置”退化成“第一个位置”很容易反过来却做不到。下面的实现返回所有匹配位置同时仍然保留最小值本身from typing import List, Optional, Tuple def find_min_and_positions(arr: List[float]) - Tuple[Optional[float], List[int]]: if not arr: return None, [] min_val None positions [] for i, v in enumerate(arr): # 跳过非数字类型以及 NaN if isinstance(v, (int, float)) and v v: if min_val is None or v min_val: min_val v positions [i] elif v min_val: positions.append(i) return min_val, positions注意v v这个判断在 Python 中float(nan)和自己比较结果是False因此这个条件可以直接把 NaN 过滤掉。后面我会单独再讲这个坑。如果你只想要第一个位置从返回值里取positions[0]即可如果连位置都不想要只看min_val也一样。这种设计让一个函数覆盖了开头说的三种需求变体。2.3 NaN、浮点精度、混合类型三个经典翻车场景NaN 是我在实际处理行情数据时踩得最深的坑。一些金融数据接口在数据缺失时会把价格填成NaN如果不做清洗你的“最小值查找”会得到一个很诡异的结果。诡异在哪看这个例子s [3.2, float(nan), 2.8, 1.5] print(min(s)) # 结果是 nanPython 内置的min()函数内部比较时如果遇到 NaN行为取决于 NaN 出现的顺序因为 NaN 和任何数比较都是 False最小值变量可能一直停留在 NaN 上不更新直到遍历结束。这在统计分析中会造成极大困扰——你明明有一堆有效数据最小值却变成了一个无效值。另一个问题是浮点数比较的精度陷阱。比如两个数分别是0.1 0.2和0.3它们在浮点数表示下并不严格相等但业务上可能认为它们是同一个价格。如果你只是在找“严格小于当前最小值”这种精度差异大概率不会影响结果但如果你的需求是“把等于最小值的位置都找出来”那v min_val可能会漏掉一些在业务意义上相等的位置。遇到这种情况我建议引入一个精度阈值比较函数def is_close(a, b, eps1e-9): return abs(a - b) eps * max(abs(a), abs(b))然后在判断是否“等于当前最小值”时不要用改用is_close(v, min_val)。至于混合类型比如数组里混入了字符串abc、None、布尔值Python 里比较数字和字符串会直接抛TypeError。我在处理爬虫数据时经常遇到这种脏数据所以上面的函数里加了isinstance(v, (int, float))用于过滤。如果你希望代码更严格可以对非数字输入直接抛出带上下文信息的异常而不是悄悄跳过这也是一种合理选择。3. 性能实测手写循环、minindex 和 Math.min(...arr) 到底谁快3.1 复杂度是同一个量级常数因子却差不少从算法分析的角度看找最小值和它的位置线性扫描是必须的没有哪条路能低于 O(n) 的时间复杂度。也就是说无论你怎么优化至少要把每个元素看一眼。所以复杂度本身不构成选型障碍真正影响体验的是常数因子和额外遍历次数。以 Python 为例很多人会写出这样的写法min_val min(arr) min_pos arr.index(min_val)这段代码的思路没错但min(arr)先把整个数组遍历了一遍arr.index()又从头扫描了一遍如果最小值恰好出现在很靠后的位置第二遍几乎要扫完整数组。整体算下来是两遍 O(n)。我的实测数据大致是对一个 1000 万元素的整数数组手写循环大约 0.35 秒min index大约 0.58 秒差距接近 1.7 倍。你可能会说“0.2 秒而已无所谓”。但对于跑批任务来说这类操作往往不是只执行一次而是嵌在一个更外层的循环里执行几百上千次这时候一遍遍历和两遍遍历的差距就会被放大到肉眼可见的程度。3.2 JavaScript 数组的另一个坑不要对超大数组使用 Math.min(...arr)JavaScript 没有 Python 那种“内置函数在很多场景下由 C 实现”的优势但更隐蔽的坑是Math.min(...arr)的展开语法。展开操作符会把数组元素作为函数参数一个一个传进去而 JavaScript 引擎对函数参数个数是有限制的。通常当一个数组超过 10 万元素时Math.min(...arr)就可能直接抛出RangeError: Maximum call stack size exceeded。我最初写前端图形渲染代码时处理数万条折线数据就遇到过这个问题排查了很久才发现是这里炸的。要避免这个坑要么用reduce要么老老实实写for循环。实测下来在普通数据规模下for循环和reduce差距不大但for循环可读性更直观也更容易加入“同时记录位置”的逻辑。所以我的建议是一旦你既要最小值又要位置手写循环就是最透明、最可靠的方式。下面放一个简单的性能对比表格数据来自我本地的 Python 3.11数组长度为 1000 万元素仅供参考实现方式是否支持同时返回位置实测耗时备注手写 for 循环是约 0.35s一遍遍历内存占用最低min(arr)arr.index()间接支持约 0.58s遍历两遍代码短min(range(len(arr)), keyarr.__getitem__)是约 0.62s灵活但稍慢numpy 的argmin是约 0.02s需要引入 numpy性能最强如果你已经在用 numpy 处理数据np.argmin(arr)显然是更优解它返回最小元素的下标再通过arr[np.argmin(arr)]取最小值而且底层是 C 和向量化实现速度上完全碾压纯 Python。不过 numpy 也不是无条件适合所有场景一是它会引入额外依赖二是它处理 NaN 的策略和普通 Python 不太一样默认会有 NaN 传播的问题需要先清洗或用np.nanargmin。我会在实际项目里遵守这样一条选型原则数据量小、代码可读性优先时直接用min index数据量大、关心性能且位置很重要时手写循环或 numpy一旦涉及脏数据清洗优先选择能显式过滤 NaN 和异常值的实现。4. 真实场景把“最小数和它的位置”用在行情回测里4.1 从收盘价序列中找到最低点对应的日期回测脚本里有一组按时间排序的收盘价还有一组与之对应的日期。我要找出最低收盘价发生在哪一天并且要拿到那天的完整数据比如成交量、开盘价等。如果使用上面写好的find_min_and_positions代码会非常清晰prices [12.5, 13.0, 11.8, 12.2, 10.9, 11.5, 12.0] dates [ 2024-01-01, 2024-01-02, 2024-01-03, 2024-01-04, 2024-01-05, 2024-01-06, 2024-01-07 ] min_val, positions find_min_and_positions(prices) min_dates [dates[idx] for idx in positions] print(min_val) # 10.9 print(min_dates) # [2024-01-05]注意我特意没有使用排序后再查位置的方案。排序会把dates和prices的对应关系打乱你还需要额外维护一个“原索引列表”才能找回日期代码复杂度直接上一个台阶。而线性扫描天然保持了索引语义日期、成交量、开盘价这些同索引的字段都不会错位。4.2 把工具封装得更好用支持过滤条件与自定义比较真实项目里“找最小值和位置”往往不是一个孤立需求。我后来把函数抽象成了支持过滤条件的版本比如“只在最近 30 个交易日内找最低点”“只考虑成交量大于某阈值的日子”。实现方式就是在遍历时加一个条件判断def find_min_with_filter(arr, skip_funcNone): if not arr: return None, [] min_val None positions [] for i, v in enumerate(arr): if not isinstance(v, (int, float)) or v ! v: continue if skip_func and skip_func(i, v): continue if min_val is None or v min_val: min_val v positions [i] elif v min_val: positions.append(i) return min_val, positions调用时传入一个回调函数就能把过滤逻辑和查找逻辑解耦。比如“排除成交量低于 10000 的日子”只需要在skip_func里写lambda i, price: volumes[i] 10000。这个设计让我在面对不同策略的回测需求时复用同一套查找逻辑不用每次重写循环。4.3 衍生应用第二小值、前 K 小值、滑动窗口最小值“最小数和它的位置”找到之后很容易自然延伸出三类需求找第二小值遍历时同时维护最小值和第二小值以及各自的位置。这个“双变量”思路非常容易理解适合作为进阶练习。找前 K 小值当 K 较小时手写循环维护一个大小为 K 的有序列表即可当 K 较大时应该用堆Python 的heapq来做。滑动窗口最小值比如“过去 5 天的最低收盘价是多少”这属于另一个经典算法题通常用单调队列在 O(n) 时间内完成。如果你只是简单地对每个窗口调用一次min()总复杂度会变成 O(n*k)在窗口较大时会很慢。这些衍生需求说明一个事实所谓“简单问题”其实是一系列数据结构和算法概念的入口。正因为我先把“最小值和位置”这种最基础的小函数写到了足够健壮的程度后面做第二小值、滑动窗口时才不会因为索引错位等问题反复返工。5. 我在这个“简单”题目上踩过的坑以及现在的自查清单5.1 三个典型翻车现场第一个坑索引从 0 开始业务显示从 1 开始。我在做报表输出时函数返回的索引是 0但展示给用户看时表格里的行号从 1 开始。我忘掉做1转换结果用户反馈“你对不上啊”查了半天才发现是索引基准搞错了。这类问题建议在函数命名或文档注释里明确说明返回的是“从 0 开始的索引”或者在输出前统一转换。第二个坑比较符号写反找出来的不是最小值而是最大值。别笑这个错误真的会发生。尤其是在循环里同时维护多个变量时很容易把if v min_val写成if v min_val。更隐蔽的是如果你的测试数组恰好是[1, 2, 3]这个错误几乎不会在测试中被发现因为输出(3, 2)看起来也像是一个“合理结果”。我现在的做法是把变量名改成current_min让逻辑意图从命名里强制表达出来并且测试用例里一定包含递减数组、递增数组、全相等数组三种基线。第三个坑用arr.index(min(arr))处理重复最小值时返回的位置是第一次出现的位置。假如业务要求“所有最低点的位置”这个写法就漏数据了。尤其是金融场景里同一最低价可能连续出现多天如果你只记录第一次后面统计底部形态时就会漏掉关键的连续性特征。5.2 一个可复用的测试模板现在我在任何新项目里写到这种查找函数都会顺手把下面这套用例跑一遍def test_find_min_and_positions(): # 基础用例 assert find_min_and_positions([1, 2, 3]) (1, [0]) # 递减数组 assert find_min_and_positions([3, 2, 1]) (1, [2]) # 重复最小值 assert find_min_and_positions([2, 3, 2, 1, 1]) (1, [3, 4]) # 单个元素 assert find_min_and_positions([7]) (7, [0]) # 空数组 assert find_min_and_positions([]) (None, []) # 含 NaN result find_min_and_positions([3.2, float(nan), 2.8]) assert result (2.8, [2]) # 含负数 assert find_min_and_positions([-1, -2, 3]) (-2, [1])这些用例覆盖了“一次性脚本”里最容易漏掉的场景。你不用追求测试数量多关键是保证核心逻辑不会在边界条件下返回一个让人摸不着头脑的结果。5.3 我现在写这类函数的固定套路踩过几次坑之后我给自己定了一个固定的实现顺序先想清楚输入为空时做什么选择抛出异常还是返回一个显式的空结果。再想重复最小值怎么处理是只留第一个还是保留全部位置。接着处理脏数据非数字、NaN、混合类型是否过滤。最后才写正常的比较逻辑。这个顺序看起来平平无奇但它能避免一个很常见的返工场景你先把主流程写完了然后某一天突然发现“哦原来数据里还有 NaN”此时再回头改函数就可能破坏原先已经调通的部分。如果第一步设计时就留好了过滤和异常处理的接口后续扩展会从容很多。我个人现在的体会是越是看起来简单的基础函数越值得用“公共组件”的标准去要求它。因为这类函数会被大量上层逻辑复用一个粗心的边界处理可能在几十个调用点同时埋下隐患。“最小数和它的位置”表面上是几行循环但把边界想清楚之后它其实可以作为你整个数据处理流水线里一块非常稳固的基石。如果你也想在自己的项目里复现这个函数可以直接把文中的find_min_and_positions版本拿去用然后根据你的实际场景调整两点要不要过滤非数字要不要返回全部位置。这两点想清楚了其他代码基本不用改。
