应使用布尔索引而非for循环进行NumPy条件过滤，因其利用向量化操作和底层C优化，避免Python解释器开销、保持内存连续性并返回ndarray；多条件需用&、|、~并加括号，二维需维度匹配。
直接用布尔索引，别写循环——这是 NumPy 数组条件过滤唯一高效的方式。
为什么不能用 for 循环遍历 NumPy 数组做条件筛选
NumPy 的核心优势在于向量化操作。一旦你用 for 遍历数组、逐个判断再 append 到列表，就彻底失去底层 C 优化，性能可能比原生 Python 列表还慢。
- 循环触发 Python 解释器开销，无法利用 SIMD 指令
- 结果是 Python 列表，不是
ndarray，后续计算还得转回 NumPy - 内存不连续，缓存友好性差
正确做法：构造一个与原数组形状一致的布尔数组，直接用于索引。
布尔索引的基本写法和常见错误
关键点：条件表达式返回的是 ndarray（dtype=bool），它可以直接作为下标传给原数组，NumPy 自动提取 True 对应位置的元素。
例如：
import numpy as np a = np.array([1, 4, 2, 7, 5]) mask = a > 3 # → array([False, True, False, True, True]) result = a[mask] # → array([4, 7, 5])
常见错误：
Python 3.14.3
微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。
- 写成
a[a > 3] == True—— 多余且错：a > 3已是布尔数组，再跟== True会广播出新数组，不是索引 - 对二维数组误用一维掩码：
a_2d[mask_1d]会报IndexError，必须保证维度匹配或使用高级索引规则 - 用
and/or连接多个条件：应改用&（且）、|（或）、~（非），因为它们是逐元素运算符；and/or是短路逻辑，只适用于标量
多条件组合与复杂场景处理
多个条件必须用括号包裹再用位运算符连接，否则因运算符优先级出错（& 优先级高于 >）。
例如筛选 2 到 6 之间的数（含）：
a = np.array([1, 4, 2, 7, 5, 6]) result = a[(a >= 2) & (a <= 6)] # ✅ 正确 # a[2 <= a = 2 & a = (2 & a) <= 6]，完全不是本意
二维数组按行/列过滤：
- 按某列条件过滤行：
a_2d[a_2d[:, 1] > 0]（取第 1 列值大于 0 的所有行） - 按某行条件过滤列：
a_2d[:, a_2d[0, :] （取第 0 行中小于 5 的列） - 想同时满足行列条件？需用
np.where或先生成二维布尔掩码，注意广播规则
性能与内存注意事项
布尔索引看似简洁，但背后会临时创建布尔数组和结果副本。对超大数组（如 >10GB），要注意：
-
a[mask]总是返回新数组，不支持原地修改；若只需统计（如计数），用np.count_nonzero(mask)比len(a[mask])快得多 - 避免重复计算掩码：比如多次用
a[a > x]和a[a > x].sum()，应先存mask = a > x，再复用 - 内存峰值 ≈ 原数组 + 布尔掩码 + 结果数组；若内存紧张，考虑用
np.compress(mask, a)（功能相同，语义更明确）或分块处理
布尔索引本身没有“惰性”机制，所有中间布尔数组都会被完整计算并驻留内存——这点在写批处理或服务端逻辑时容易被忽略。