np.nonzero()返回各维度非零元素坐标索引元组，非布尔掩码或值本身；正确用法是显式取索引如[np.nonzero(arr)[0]]，取值推荐布尔索引arr[arr!=0]更高效。
np.nonzero() 返回的是坐标索引元组，不是布尔掩码
很多人一看到 np.nonzero() 就默认它像 np.where() 那样返回值，或者以为它直接返回非零元素本身。其实它只干一件事：对输入数组做扁平化扫描，找出所有非零位置在**各维度上的下标**，再按维度打包成元组。
常见错误现象：
– 用 arr[np.nonzero(arr)] 想取值，结果没错但绕远路（不如直接用布尔索引 arr[arr != 0]）
– 把 np.nonzero(arr) 结果当一维数组切片，比如 arr[np.nonzero(arr)[0]]，漏掉其他维度导致形状错乱
-
np.nonzero()总是返回tuple，长度等于arr.ndim；二维数组返回(row_indices, col_indices) - 如果只要某维的索引，必须显式取
np.nonzero(arr)[0]或np.nonzero(arr)[1]，不能省略索引 - 空数组或全零数组会返回空数组组成的元组，比如
(array([], dtype=int64), array([], dtype=int64))，注意判空逻辑
arr.nonzero() 和 np.nonzero(arr) 完全等价，但写法影响可读性
NumPy 数组实例自带 nonzero() 方法，和顶层函数 np.nonzero() 行为一致，返回完全相同的索引元组。区别只在调用风格。
使用场景：
– 链式操作中（比如 arr.reshape(-1).nonzero()）用方法更顺手
– 混用多个库或需要明确“这是 NumPy 的行为”时，用 np.nonzero() 更稳妥
- 二者性能无差异，底层都是调用同一个 C 实现
- 不推荐在条件分支里混用，比如一会儿
a.nonzero()，一会儿np.nonzero(b)，容易让协作者误以为有语义差别 - 静态类型检查（如 mypy + numpy-stubs）对两者支持一致，无需特别处理
想取非零值？别绕路，直接用布尔索引
如果你真正想要的是非零元素本身，而不是它们在哪，np.nonzero() 是过度设计。布尔索引更直白、更快、内存更友好。
性能影响：
– arr[arr != 0] 是一次遍历 + 内存拷贝
– arr[np.nonzero(arr)] 是两次遍历（先算索引，再索引取值），且中间多建一个元组和若干 ndarray
- 对一维数组，
arr[arr != 0]和arr[np.nonzero(arr)[0]]结果相同，但前者快约 1.5×（实测 10⁶ 元素） - 对高维数组，
arr[arr != 0]返回一维结果，而arr[np.nonzero(arr)]保持原 shape 维度顺序（实际仍是一维），语义更清晰 - 注意
arr != 0对浮点数可能受精度影响，必要时改用np.isclose(arr, 0, atol=1e-10, rtol=0)取反
稀疏场景下 nonzero() 的实际用途：定位结构变化
np.nonzero() 真正不可替代的地方，是当你需要知道「哪些位置变了」——比如图像边缘检测后找非零响应点、矩阵压缩存储前记录有效位置、调试 mask 应用是否生效。
典型例子：
– 用 np.diff(img, axis=0) 找垂直梯度后，np.nonzero(grad_y) 能快速定位所有边缘像素的行列坐标
– 构造 CSR 矩阵时，data、indices、indptr 都依赖 nonzero() 提供的原始位置信息
- 返回的索引是
int64类型，大数组注意内存占用（比布尔掩码多约 8× 字节） - 若后续要转稀疏格式，优先用
scipy.sparse.coo_matrix((data, np.nonzero(arr)))，别自己拼接 - 多线程/并行环境下，
nonzero()是纯函数，无副作用，可安全并发调用
最常被忽略的一点：nonzero() 不关心数据类型，但对 np.nan、np.inf 的判断基于 Python 的真值规则——np.nan != 0 为 True，所以 np.nan 会被当成非零；如果业务上要把 nan 当零处理，得先 np.nan_to_num(arr, nan=0)。
