嘿，这问题其实很容易搞定，而且完全可以用向量化操作实现，不用绕弯子用np.where。咱们一步步来拆解：

核心思路 #

argrelextrema返回的两个索引数组（对应行和列）就是直接的“坐标”，你只需要初始化一个和原始数据形状一致的全False布尔数组，然后直接用这组坐标给峰值位置赋值为True就行——这就是最直接高效的向量化方案，完全不需要循环。

完整代码示例 #

先导入需要的库：

import numpy as np
import pandas as pd
from scipy.signal import argrelextrema

模拟你的DataFrame数据：

# 生成10行5列的随机数据作为示例，替换成你自己的真实数据即可
df = pd.DataFrame(np.random.rand(10, 5))

调用argrelextrema获取峰值的行列索引：

# 按行方向（axis=0）找局部最大值，order=1表示比较相邻1个元素
row_indices, col_indices = argrelextrema(df.values, np.greater, axis=0, order=1)

创建布尔数组并标记峰值：

# 初始化和原始数据同形状的全False布尔数组
peak_bool_array = np.zeros(df.shape, dtype=bool)
# 直接用索引赋值，纯向量化操作，没有冗余计算
peak_bool_array[row_indices, col_indices] = True

现在peak_bool_array里的峰值位置就都是True，其余位置保持False，完全符合你的需求。

为什么不用np.where？ #

np.where更适合从条件表达式中提取索引，而咱们这里已经通过argrelextrema拿到了明确的峰值坐标，直接用索引赋值比再套np.where更简洁高效，完美契合向量化的要求。

额外补充：一维数据的情况 #

如果你的数据是一维的，处理逻辑几乎一样：

data = np.random.rand(20)
# argrelextrema返回的是元组，里面是一个索引数组
peak_indices = argrelextrema(data, np.greater, order=1)[0]
peak_bool = np.zeros(len(data), dtype=bool)
peak_bool[peak_indices] = True

内容的提问来源于stack exchange，提问作者Stefan