布尔索引是用与原数组形状一致的布尔数组作掩码直接筛选元素，返回副本而非视图；普通索引（如整数或切片）可返回视图，且不依赖条件表达式。
什么是布尔索引，它和普通索引有什么区别？
布尔索引不是“先找下标再取值”，而是用一个和原数组形状一致的 bool 数组做掩码，直接选出所有 True 位置对应的元素。它不返回视图（view），默认返回副本（copy）——这点常被忽略，后续修改不会影响原数组。
常见错误是误以为 arr[condition] 是“原地筛选”，结果改了筛选结果却没改原数组；或者把条件写成 arr > 5 and arr ，触发 <code>ValueError: The truth value of an array with more than one element is ambiguous。
- 用
&、|、~代替and、or、not - 条件表达式必须整体包裹在括号里，比如
(arr > 5) & (arr - 多维数组中，布尔索引会自动展平匹配，除非你显式指定轴（见下一条）
如何对二维数组按行或按列筛选？
二维数组的布尔索引默认按第一个轴（行）广播，所以 arr[condition] 中 condition 长度必须等于行数。若想按列筛选，得让条件数组 shape 匹配列数，并用 : 显式保留另一维。
例如：筛选第 0 列大于 3 的所有行 → arr[arr[:, 0] > 3]；筛选所有列都满足条件的列 → arr[:, (arr[0] > 2) & (arr[1] > 2)]（注意这里用了第 0、1 行作参考）。
立即学习“Python免费学习笔记（深入）”；
- 按行筛选：
arr[condition_1d]，其中condition_1d长度 =arr.shape[0] - 按列筛选：
arr[:, condition_1d]，其中condition_1d长度 =arr.shape[1] - 混合筛选（如选满足条件的某几列）：
arr[np.ix_(row_mask, col_mask)]，比链式索引更安全
np.where 和布尔索引什么关系？
np.where 不是布尔索引的替代品，而是它的“增强版”：当只传一个参数（如 np.where(arr > 5)），它返回满足条件的索引元组，可用于高级定位；当传三个参数（np.where(condition, x, y)），它做的是逐元素三元选择，返回新数组。
容易混淆的是：有人用 arr[np.where(arr > 5)]，这其实多绕了一步——等价于直接写 arr[arr > 5]，且前者还可能因返回元组导致维度意外变化（比如二维数组返回 (array([0,1]), array([2,3]))）。
- 要取值 → 直接用布尔索引：
arr[arr > 5] - 要取索引 → 用
np.where(arr > 5)，注意它返回的是元组，解包用rows, cols = np.where(...) - 要做条件赋值 →
arr[arr > 5] = 0或np.where(arr > 5, 0, arr)（后者不修改原数组）
性能和内存要注意什么？
布尔索引会创建新的布尔数组和结果数组，对大数组（比如千万级）容易爆内存。如果只是想统计或遍历，别急着筛出全部数据。
比如要算满足条件的均值，用 np.mean(arr[arr > 100]) 会先生成所有满足条件的副本；而 np.mean(arr, where=arr > 100)（NumPy 1.17+）或 np.nanmean(np.where(arr > 100, arr, np.nan)) 更省内存。
- 避免重复计算条件：把
mask = arr > 5提前算好，复用在arr[mask]和np.sum(mask)上 - 原地修改优先用布尔索引赋值：
arr[arr 比 <code>arr = np.where(arr 更快且不额外分配 - 超大数组慎用
np.where返回索引——索引数组本身也可能很大
NaN 的数据时，arr > 5 会产生 False 而不是 NaN，这点也常被当成 bug 追半天。 
