如何一次性对多维Numpy数组应用多个掩码？

嘿，这个问题我之前踩过坑！想要一次性给多维Numpy数组用多个行/列掩码，直接用X[m0, m1]确实会因为形状不匹配报错，咱们来一步步拆解解决它～

先明确咱们的场景，把示例代码完整放出来：

import numpy as np

X = np.arange(12).reshape(3, 4)
# 输出结果：
# array([[ 0,  1,  2,  3],
#        [ 4,  5,  6,  7],
#        [ 8,  9, 10, 11]])

# 行掩码：筛选所有元素都大于0的行
m0 = (X>0).all(axis=1)  # 结果：array([False, True, True])
# 列掩码：筛选存在元素小于3的列
m1 = (X<3).any(axis=0)  # 结果：array([ True, True, True, False])

为啥直接用X[m0, m1]会报错？因为两个掩码的形状（(2,)和(3,)）没法被Numpy广播匹配，它不知道怎么把行和列的索引对应起来，所以抛出了IndexError。

下面给你几个一步到位的解决方案：

方法1：用np.ix_()快速转换索引 #

np.ix_()就是专门干这个的——它能把一维的行、列掩码转换成可以广播的多维索引结构，直接一次性完成筛选：

X[np.ix_(m0, m1)]
# 输出结果：
# array([[ 4,  5,  6],
#        [ 8,  9, 10]])

原理很简单：np.ix_(m0, m1)会把m0转成形状(2,1)的数组，把m1转成(1,3)的数组，这样两者就能广播成(2,3)的形状，刚好匹配我们要筛选的2行3列。

方法2：手动调整掩码维度实现广播 #

如果你不想用np.ix_，也可以手动给行掩码加一个维度，让它和列掩码能正常广播：

# 用np.newaxis增加维度
X[m0[:, np.newaxis], m1]
# 或者用更简洁的[:, None]语法
X[m0[:, None], m1]

这个方法和上面的效果完全一致，只是需要自己手动处理维度，适合想搞清楚广播原理的同学。

方法3：两步索引（你已经用到的方案） #

当然你提到的两步操作X[m0, :][:, m1]也是完全可行的——先筛选符合条件的行，再在筛选后的结果里筛选列，逻辑非常直观，只是会多创建一个中间数组，不过对于中小型数组来说完全没影响。

最后总结一下：如果想要一步完成多维数组的行+列掩码筛选，优先选np.ix_()或者手动调整维度的方式，既简洁高效，又能避免形状不匹配的报错。

内容的提问来源于stack exchange，提问作者Thrastylon