np.where()多条件筛选需用&、|而非and/or，NaN须用np.isnan()显式判断，避免重复计算掩码和函数调用，大数据用dask.array分块处理。
用 np.where() 做多条件筛选时，括号和运算符容易写错
NumPy 不支持 Python 原生的 and/or 对数组做布尔运算，直接写 arr > 1 and arr 会报 <code>ValueError: The truth value of an array with more than one element is ambiguous。必须用 &（且）、|（或）、~（非），且每个条件**必须用括号包住**。
正确写法示例：
import numpy as np a = np.array([0, 2, 4, 6, 8]) mask = (a > 1) & (a < 5) # ✅ 注意括号，用 & 而不是 and result = a[mask]
常见错误包括：a > 1 & a （运算符优先级导致逻辑错乱）、<code>(a > 1) and (a （触发 ValueError）、漏掉任一括号。
需要返回索引而非值？优先用 np.where() 而非布尔索引
如果后续要修改原数组、或需同时获取行/列位置（比如二维数组），np.where() 比纯布尔掩码更灵活。它返回的是满足条件的坐标元组，不是布尔数组。
立即学习“Python免费学习笔记（深入）”；
实操建议：
- 一维：用
np.where(mask)[0]得到整数索引数组，比np.nonzero(mask)[0]更直观 - 二维：
rows, cols = np.where((arr > 0) & (arr 直接拿到行列下标，方便后续赋值或定位 - 注意
np.where(condition, x, y)是三元选择函数，别和np.where(condition)混用
处理 NaN 或缺失值时，np.isnan() 必须显式参与组合
NaN 在比较中恒为 False，所以 arr > 3 遇到 NaN 会自动跳过，但如果你希望“把 NaN 当作有效条件之一”（比如“筛选出大于 3 或为 NaN 的元素”），就不能只靠 >，得显式用 np.isnan()。
示例：
a = np.array([1, np.nan, 4, 2]) # 筛选：大于 2 或是 NaN mask = (a > 2) | np.isnan(a) # ✅ # 错误写法：(a > 2) | (a == np.nan) → 永远 False，因为 NaN != NaN
另外，np.nan 和 None 在 NumPy 数组里行为不同；若数组 dtype 是 object，np.isnan() 会报错，此时改用 pd.isna()（需 pandas）或手动判断 is None。
性能敏感场景下，避免重复计算掩码
多条件组合常嵌套在循环或函数中，如果每次重复构建相同掩码（比如 (x > a) & (y ），而 <code>a/b/c 实际不变，就白白浪费 CPU。应提前算好再复用。
特别要注意：
- 布尔掩码是视图（view）还是副本（copy）取决于操作：
arr[mask]返回副本，arr[mask] = 0是原地修改 - 用
np.compress()可替代arr[mask]，语义更明确，但性能几乎无差别 - 超大数组（>1GB）建议用
dask.array或分块处理，纯 NumPy 布尔索引会一次性加载全部掩码到内存
最易被忽略的一点：当条件里含函数调用（如 np.abs(x) > 2），每次执行都重新算绝对值——若该部分不随迭代变化，务必提到外面缓存。
