np.where()是唯一兼顾条件判断、值选择与内存可控的NumPy原生函数；其三参数模式支持原地写入（out=arr）避免布尔数组与结果副本，而布尔索引隐式创建完整bool数组导致内存开销大。
因为 np.where() 是唯一能同时满足“条件判断 + 值选择 + 内存可控”三重目标的 NumPy 原生函数，其他方式总要牺牲其中至少一项。
np.where(condition, x, y) 为什么比布尔索引更可控
很多人以为 arr[arr > 0] = 1 就是向量化，其实它隐式创建了完整布尔数组，内存开销大、无法复用。而 np.where() 的三参数模式允许你直接控制输出位置：
-
np.where(arr > 0.5, 1, arr)：返回新数组，语义清晰但多占一份内存 -
np.where(arr > 0.5, 1, arr, out=arr)：原地写入，避免中间 bool 数组和结果副本 -
arr[arr > 0.5] = 1：看似简洁，但先分配arr > 0.5这个可能百万元素的bool数组，再索引赋值——两步，且第一步不可跳过
嵌套 np.where 实现多分支时的坑
用 np.where() 做温度分级（
- 错误写法：
np.where(temp —— 看似对，但如果 <code>temp是二维、而字符串标量没指定 dtype，NumPy 可能推断出 object 类型，后续计算失效 - 正确做法：显式指定
dtype='U10'（Unicode 字符串），或统一转成数值编码再映射 - 更稳的替代：用
np.select()处理 ≥3 分支，条件列表和 choice 列表一一对应，逻辑更直白
condition、x、y 的 shape 不匹配时的实际表现
文档说“最好相同”，但实际中广播规则起效，容易误判结果形状：
立即学习“Python免费学习笔记（深入）”；
- 当
condition是 (100,)，x是标量，y是 (100, 5)：结果会是 (100, 5)，x被广播过去 —— 但你可能本意是逐行替换 - 当
condition是 (3, 4)，x是 (3, 1)，y是 (1, 4)：广播后结果为 (3, 4)，但逻辑是否真符合预期需手动验证 - 调试建议：先用
np.broadcast_arrays(condition, x, y)检查广播后形状，再传给np.where()
真正难的不是写对一行 np.where()，而是当 condition 变复杂（比如带 &、| 的多条件组合）、x/y 含 NaN 或不同 dtype 时，不看广播结果和 dtype 推断，很容易得到静默错误的数组。
