布尔索引

NumPy 最强大的特性之一，用条件直接筛选数据，替代 Python 的 filter。

---

基础用法

a = np.random.randint(0, 10, 20)  # 随机 20 个 0-9 的整数

a[a > 5]      # 选出所有大于 5 的数

对比原生 Python 的 filter：

# ❌ 原生 Python
result = list(filter(lambda x: x > 5, a))

# ✅ NumPy 布尔索引
result = a[a > 5]

---

原理分解

布尔索引分两步：

# 第一步：a > 5 返回布尔数组
mask = a > 5    # [True False True True ...]

# 第二步：用布尔数组索引 —— 所有 True 位置的元素被取出
result = a[mask]

手动构造布尔索引

a = np.array([10, 20, 30, 40])
a[[True, False, True, False]]   # [10, 30]

---

组合条件

# 选出大于 5 的偶数（与）
a[(a > 5) & (a % 2 == 0)]   # ✅ 用 & ，必须加括号！

# 选出大于 5 或是偶数的数（或）
a[(a > 5) | (a % 2 == 0)]   # ✅ 用 | ，必须加括号！

# ❌ 不要用 Python 的 and / or —— 会报错或得到意外结果

错误示范：

# ❌ a[a > 5 and a % 2 == 0]  → 报错！
# 原因：and/or 是 Python 关键字，不能重载；& 和 | 是位运算符，NumPy 重载了它们

关键规则：用 & 代替 and，用 | 代替 or，每个条件必须加括号（运算符优先级问题）。

---

处理 NaN 值

b = np.array([1.0, np.nan, 2.0, np.nan, 3.0])

np.isnan(b)          # [False True False True False]
b[~np.isnan(b)]      # [1. 2. 3.] —— 过滤掉 NaN

np.nan 不等于任何值（包括它自己），必须用 isnan() 判断。后续 Pandas 中 NaN 作为缺失值广泛使用。