本文详解如何使用 numpy 正确筛选满足双阈值条件（如 0.01 ≤ x
在 NumPy 中，对数组执行多条件逻辑判断时，不能直接使用 Python 原生的 and、or、not 运算符——这是引发 ValueError: The truth value of an array with more than one element is ambiguous 的根本原因。因为 and 是面向标量的布尔运算符，它试图将整个布尔数组（如 (result.pvalues < 0.05) 返回的 shape=(n,) 的 True/False 数组）当作单个真值来评估，而 NumPy 无法确定“该数组整体为 True”究竟应理解为「所有元素为 True」还是「至少一个元素为 True」，故抛出歧义错误。
✅ 正确做法是使用 NumPy 提供的向量化逻辑函数：
- np.logical_and(a, b)：对应 a & b（推荐使用 &，更简洁且符合 NumPy 惯例）
- np.logical_or(a, b)：对应 a | b
- np.logical_not(a)：对应 ~a
因此，查找 pvalues 中满足 0.01 ≤ p < 0.05 的索引，应写作：
import numpy as np
# 示例数据（模拟 result.pvalues）
result = type('Result', (), {})() # 简化模拟对象
result.pvalues = np.array([0.002, 0.015, 0.03, 0.049, 0.06, 0.01, 0.008])
# ✅ 正确：使用位运算符 &（要求括号！）
indices = np.where((result.pvalues >= 0.01) & (result.pvalues < 0.05))[0]
print("符合条件的索引:", indices) # 输出: [1 2 3 5]
print("对应 p 值:", result.pvalues[indices]) # [0.015 0.03 0.049 0.01 ]⚠️ 关键注意事项：
- 必须用 & 而非 and，且每个子条件需用圆括号包裹：(a < 0.05) & (a >= 0.01) —— 缺少括号会导致运算符优先级错误（& 优先级高于 </>=）。
- np.where(...)[0] 提取的是行索引（对一维数组即全部索引）；若处理二维数组，np.where 返回元组 (row_indices, col_indices)，可按需使用。
- 若只需布尔掩码（如用于后续索引），可省略 np.where：mask = (result.pvalues >= 0.01) & (result.pvalues < 0.05)，然后 result.pvalues[mask] 直接获取值。
总结：NumPy 的向量化逻辑依赖 &/|/~，而非 Python 关键字 and/or/not。掌握这一区别，即可安全、高效地实现任意多条件数组筛选。
