np.where是获取布尔条件匹配索引的首选方法，返回元组，一维时需取[0]；np.argwhere输出更直观的二维坐标数组；np.nonzero与np.where行为一致但语义强调“非假值”。
用 np.where 获取布尔条件匹配的索引
最直接的方式就是 np.where，它专为这种场景设计：输入布尔数组，返回满足 True 的位置索引。注意它返回的是元组（对多维数组是多个索引数组），一维时取 [0] 即可拿到一维索引数组。
- 常见错误：写成
np.where(arr > 5)后直接当列表用，结果得到(array([0, 2, 4]),)—— 忘记解包或取[0] - 正确写法：
indices = np.where(arr > 5)[0]，这样indices才是纯一维ndarray - 多维场景下，
np.where(arr > 5)返回(row_indices, col_indices)，需配对使用，比如list(zip(*np.where(arr > 5)))得到坐标元组列表
np.argwhere 更适合人眼阅读的坐标输出
np.argwhere 和 np.where 功能重叠，但输出格式更直观：它把每个匹配位置转成一行坐标，自动压缩成二维数组，省去手动 zip 或索引拼接。
- 适用场景：调试、日志打印、需要显式 (i, j) 坐标时，比如定位图像中像素值异常的位置
- 性能差异：比
np.where略慢（内部做了 reshape 和 stack），大数据量时别在热循环里用 - 注意：
np.argwhere总返回二维数组，哪怕一维输入也会变成n×1形状，取列要用[:, 0]而不是[0]
避免 np.nonzero 的混淆用法
np.nonzero 行为和 np.where 完全一致，但名字容易误导——它不只找“非零”，而是找“真值”（即非零、非空、非 False）。很多用户误以为它只能用于数值是否为 0 的判断。
- 错误理解：
np.nonzero(arr == 'hello')会报错或返回空，其实不会——只要布尔数组合法，它就正常工作 - 等价写法：
np.nonzero(arr > 5)≡np.where(arr > 5)，只是语义上更强调“非假值” - 兼容性提示：在旧版本 NumPy（np.nonzero 对某些 object 数组支持不稳定，优先用
np.where
复杂条件组合与性能提醒
多个条件用 &（不是 and）、|（不是 or）、~（不是 not）连接，运算符优先级高，务必加括号。
立即学习“Python免费学习笔记（深入）”；
- 典型坑：
arr > 3 & arr 报错或结果错——正确写法是 <code>(arr > 3) & (arr - 大数组慎用链式布尔索引再查索引，比如
np.where(arr[arr > 3] > 8)：先拷贝子数组，再搜索，内存和时间双浪费 - 如果只需第一个匹配位置，用
np.argmax(arr > 5)（配合arr > 5结果为True的首个位置），但要确保至少有一个True，否则返回 0（不报错！）
np.where 是默认首选；需要坐标列表就切到 np.argwhere；看到别人代码里有 np.nonzero 别慌，它和 np.where 是同一套逻辑。最易忽略的是布尔运算符括号和 np.argmax 的边界行为——没匹配时它不报错，但返回的索引毫无意义。 
