4.2 花式索引与布尔掩码的拷贝陷阱

4.2 花式索引与布尔掩码的拷贝陷阱

本节摘要：用下标数组取值（花式索引）和用布尔条件取值（掩码）都返回拷贝——因为选中的元素在内存里不再等距，无法用一套 strides 描述。代价是与元素数成正比的搬运；好处是改动结果绝不影响原数组。本节做对照实验，讲掩码三连（取、改、数）与组合条件的短路写法。

为什么它们必须是拷贝

基本切片能做视图，是因为选中元素仍呈"等差排列"，一套新的起点加步长就能描述。花式索引选中的下标是任意的：

import numpy as np

a = np.arange(10)
picked = a[[7, 2, 8, 2]]     # 顺序任意，还能重复
print(picked)                # [7 2 8 2]
print(np.shares_memory(picked, a))   # False —— 拷贝

# 元素 7、2、8 在原块里字节间距毫无规律，没有任何 strides 能同时描述
# 唯一办法：把字节逐个搬到一块新内存
​

布尔掩码同理——条件哪些位置为真完全取决于数据本身：

scores = np.array([88, 45, 92, 59, 73])
mask = scores >= 60
print(mask)                 # [True False True False True]
passed = scores[mask]
print(passed)               # [88 92 73]
print(np.shares_memory(passed, scores))   # False
​

三种取数方式的代价对照

掩码三连：取、改、数

掩码真正的威力在"就地条件修改"：

import numpy as np

signal = np.array([0.5, -3.2, 1.1, -0.4, 2.7])

# 一连：取（拷贝）
print(signal[signal > 0])          # [0.5 1.1 2.7]

# 二连：改（对原数组条件写入！掩码在赋值左侧是另一回事）
signal[signal < 0] = 0.0           # 负半轴归零
print(signal)                      # [0.5 0.  1.1 0.  2.7]

# 三连：数
rng = np.random.default_rng(0)
data = rng.normal(size=1000)
print("超过两倍标准差的点:", (np.abs(data) > 2).sum())   # 输出示例：43
print("占比:", (np.abs(data) > 2).mean().round(3))       # 0.043
​

注意第二连的细节：掩码在赋值右侧产生拷贝，出现在赋值左侧则变成"写入哪些位置"的指示器，直接改原数组。两个角色，一个语法位置决定。

组合条件必须用圆括号括起来，且 & 不能写成 and：

import numpy as np
x = np.arange(10)

both = x[(x > 2) & (x < 7)]
print(both)   # [3 4 5 6]

# x > 2 and x < 7 会抛 ValueError：
# 数组的真值判断是歧义的，一整列 True False 无法当单个布尔用
either = x[(x < 2) | (x > 7)]
print(either)   # [0 1 8 9]

# 取反用 ~
print(x[~(x % 2 == 0)])   # [1 3 5 7 9]
​

案例：传感器数据清洗

完整过程。背景：一万点温度读数，混有传感器故障产生的 -999 占位与偶发尖峰，要清洗并统计。

操作：

import numpy as np

rng = np.random.default_rng(3)
temp = rng.normal(25, 1.5, size=10000)
temp[rng.random(10000) < 0.01] = -999.0        # 撒1%故障占位
temp[rng.random(10000) < 0.005] += 30.0        # 撒0.5%尖峰

valid = (temp > -100) & (temp < 45)            # 有效条件
print("有效点数:", valid.sum())                # 输出示例：9458
clean = temp[valid]
print("清洗后均值:", clean.mean().round(3))     # 输出示例：25.31
print("清洗后标准差:", clean.std().round(3))    # 输出示例：1.503

# 剔除尖峰的变式：用统计量自适应阈值，而不是硬编码45度
z = np.abs((temp - np.median(temp)) / temp.std())
adaptive = temp[z < 4]
print("自适应清洗后:", adaptive.mean().round(3))  # 输出示例：25.15
​

结果与解读：硬阈值清掉约 542 个坏点，均值回到 25.3 附近；自适应版本用中位数抗污染（尖峰拉不动中位数），效果更稳。变式：若要把坏点位置补成插值，先 np.where(valid, temp, np.nan) 转缺失，再用 nan 前向填充函数处理。

⚠️ 常见坑：链式索引 a[mask][1] = 0 不改原数组——a[mask] 是拷贝，后续赋值落在拷贝上然后被丢弃。条件写入必须一步到位：a[mask] = 0。

花式索引的多维配对语法

两个花式下标数组同时出现在不同维度时，含义从"分别取行列"变成"配对取点"，这是高级索引里最反直觉的一处：

import numpy as np

m = np.arange(12).reshape(3, 4)

print(m[[0, 1], [2, 3]])    # 取 (0,2) 和 (1,3) 两个点，配对！
# [2 7]

# 想要"0、1行 与 2、3列"的整块子矩阵，要用交叉语法：
block = m[np.ix_([0, 1], [2, 3])]
print(block)
# [[2 3]
#  [6 7]]

# 或者其中一维退化为基本切片：
print(m[[0, 1], 2:4])   # 行用花式、列用切片，得 2x2 块
# [[2 3]
#  [6 7]]
​

规则一句话：花式索引在不同维度上"配对生成坐标点"，基本切片与花式索引混用时，花式的那一维定行、切片的那一维保持区间。想要笛卡尔积式的子块，np.ix_ 是显式声明。这个语法冷门但一错就错得离谱，见到 m[[...],[...]] 的代码多看一眼配对含义。

本节要点回顾

• 拷贝的必然性：下标无规律则无 strides 可描述，只能逐元素搬运
• 掩码双角色：右侧取值是拷贝，左侧赋值是条件写入原数组
• 组合条件：括号加 & | ~，and/or 对数组直接报错
• 链式索引失效：先取掩码再赋值等于改一次性拷贝，务必单步完成
• 清洗套路：构造条件、sum 数量、布尔取值、where 兜底，四件套覆盖九成过滤需求

下一节回答"那到底还要不要循环"：Python 层遍历的真实代价，以及确实需要元素级流程时的 nditer 正确姿势。