优先用 np.select 实现多分支逻辑，它接收 conditions 和 choices 列表，按序匹配首个为 True 的条件并返回对应值，支持 default 防止静默错误；复杂场景先构建布尔掩码再组合，避免嵌套 np.where 降低可读性与性能。
用 np.where 替代两层 if-else 最直接
当逻辑是“如果 A 成立，取 x；否则如果 B 成立，取 y；否则取 z”，np.where 可以一层套一层，但嵌套过深会难读且慢。更稳妥的做法是拆成多个布尔掩码，再用 np.where 组合：
-
cond1 = arr > 0、cond2 = (arr -5)这类显式掩码比嵌套np.where(np.where(...))更易调试 - 注意
&（位与）不是and，布尔数组必须用括号包裹每个子条件，否则运算符优先级出错 - 若分支数超过 3，建议改用
np.select，它专为多路分支设计，可读性高、性能也更好
多分支场景优先选 np.select 而非嵌套 np.where
np.select 接收两个等长列表：conditions 和 choices，按顺序匹配第一个为 True 的条件，返回对应 choice。它天然避免嵌套，也支持默认值（default 参数）：
import numpy as np
arr = np.array([-10, -2, 0, 3, 8])
conds = [
arr < -5,
(arr >= -5) & (arr < 0),
arr == 0,
arr > 0
]
choices = ['low', 'mid-low', 'zero', 'high']
result = np.select(conds, choices, default='unknown')
常见错误：漏写 default 且某些元素不满足任何 condition → 返回 0（数值型）或空字符串（str 型），不是报错，容易静默出错。
涉及计算逻辑时，先生成掩码再赋值比条件函数更高效
比如“对正数开方，负数取绝对值，零保持不变”，不要写 np.where(arr > 0, np.sqrt(arr), np.where(arr —— <code>np.sqrt 和 np.abs 会对整个数组计算，浪费算力。正确做法是分步：
立即学习“Python免费学习笔记（深入）”；
- 先构造布尔索引：
mask_pos = arr > 0、mask_neg = arr - 初始化结果数组：
out = np.zeros_like(arr, dtype=float) - 只在对应区域计算：
out[mask_pos] = np.sqrt(arr[mask_pos])、out[mask_neg] = np.abs(arr[mask_neg]) - 这样
np.sqrt只作用于正数子集，避免对负数调用报RuntimeWarning: invalid value encountered in sqrt
字符串/对象数组中用 np.select 要注意 dtype 对齐
NumPy 在推断 np.select 输出 dtype 时，会尝试统一所有 choices 类型。若混用 'a'（str）、123（int）、None，结果 dtype 很可能变成 object，后续向量化操作（如 ==、.sum()）会变慢甚至失效：
- 显式指定
out参数并预分配合适 dtype：out = np.empty(len(arr), dtype='U10')（Unicode 字符串） - 或确保所有
choices是同类型，比如全转成字符串：choices = [str(x) for x in choices] - 若含
None，别指望它自动变成np.nan—— object 数组里None就是None，np.isnan()对它无效
最易被忽略的是：布尔掩码复用时没检查是否互斥，导致后赋值覆盖前赋值。多条件分支务必验证 np.sum([cond1, cond2, cond3], axis=0) 是否全为 1（或 ≤1，取决于是否允许 fallback）。
