布尔索引识别异常值需先定义规则（如±3σ或IQR法），用括号确保逻辑运算优先级，生成bool掩码后原地替换为NaN或中位数；多维数组须指定axis避免广播错误，注意类型转换与性能优化。
用布尔索引识别并标记异常值
NumPy 本身不内置“异常检测”逻辑，得先定义什么是异常——比如超出均值±3倍标准差、或落在 Q1 - 1.5×IQR 到 Q3 + 1.5×IQR 之外。关键在于：把判断结果转成 bool 数组，它才能当掩码用。
常见错误是直接写 arr > 100 and arr ——这会报 <code>ValueError: The truth value of an array with more than one element is ambiguous，因为 Python 的 and/or 不支持数组。必须用 &（不是 and）、|（不是 or）、~（不是 not）。
- 正确写法：
mask = (arr > lower_bound) & (arr - IQR 示例：
q1, q3 = np.percentile(arr, [25, 75]); iqr = q3 - q1; mask = (arr q3 + 1.5*iqr) - 注意括号：
&优先级高于比较运算符，不加括号会出错
用布尔掩码安全地替换异常值
一旦有了 mask，就能直接对原数组赋值，但要小心原地修改是否符合预期。NumPy 布尔索引赋值是原地操作，不会创建副本。
- 替换成 NaN：
arr[mask] = np.nan（要求arr是浮点类型，否则会静默转成float64） - 替换成中位数：
arr[mask] = np.median(arr[~mask])（先用~mask排除异常再算，避免污染） - 如果
arr是整型且想填np.nan，必须先转类型：arr = arr.astype(float)，否则赋值会被截断为 0
处理多维数组时的维度对齐陷阱
对二维数组（如形状为 (100, 5)）做逐列异常检测时，容易误用全局统计量。例如 np.mean(arr) 返回标量，arr > np.mean(arr) 虽能广播，但意义通常是错的——你一般想按列或按行检测。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
立即学习“Python免费学习笔记（深入）”；
- 按列检测（每列独立算 IQR）：
mask = np.zeros_like(arr, dtype=bool); for i in range(arr.shape[1]): col = arr[:, i]; q1, q3 = np.percentile(col, [25, 75]); iqr = q3 - q1; mask[:, i] = (col q3 + 1.5*iqr) - 更简洁写法（利用
axis=0）：q1 = np.percentile(arr, 25, axis=0); q3 = np.percentile(arr, 75, axis=0); iqr = q3 - q1; mask = (arr q3 + 1.5*iqr) - 注意：
np.percentile(..., axis=0)返回一维数组，能自动广播到arr各行，但形状必须兼容
性能与内存：避免重复计算和隐式拷贝
大数组上反复用布尔索引读写，可能因临时数组分配拖慢速度。尤其当 mask 很稀疏时，用 np.where(mask) 拿下标再索引，有时比直接 arr[mask] 更省内存（但通常更慢）。
- 不要这样写：
arr[arr > threshold] = new_val—— 这会算两次布尔索引（一次判断，一次赋值），应拆成两步复用mask - 如果只读不改，且后续还要用原始值，别用原地替换，改用
np.where(mask, replacement, arr)返回新数组 -
np.where在条件复杂时可读性更好，但注意它返回的是新数组，不修改原arr
布尔索引看着简单，真正卡住人的往往是掩码生成时的广播规则、数据类型隐式转换、以及多维场景下 axis 的选择——这些地方不报错，但结果不对，得盯着 shape 和 dtype 看。
