Numpy中`diverge[m] = i`布尔掩码索引的原理解析请求

AI 小北

2026-8-14

布尔数组作为广义索引的运行机制（以Julia集代码中的diverge[m] = i为例）

先明确变量角色：diverge是和m同尺寸的数值数组，用来记录每个坐标点的发散迭代次数；m是布尔掩码，true代表对应位置的点还没发散，需要更新迭代次数。
核心逻辑：布尔数组做索引，本质是一次性筛选出所有值为true的位置。当执行diverge[m] = i时，程序会自动定位m里所有true对应的diverge元素，把这些元素全部赋值为i——说白了就是给所有还没发散的点，打上当前迭代次数的标记。
效率优势：这种向量化操作比循环遍历每个元素快得多，尤其是你处理1600*2000的大数组时，底层会用批量优化操作，避免了嵌套循环的开销，代码也更简洁。
举个极简例子理解：
假设diverge是初始全0的3x3数组：
```
[0 0 0;
 0 0 0;
 0 0 0]
```
布尔掩码m是：
```
[true false true;
 false true false;
 true false true]
```
执行diverge[m] = 5后，diverge会变成：
```
[5 0 5;
 0 5 0;
 5 0 5]
```
所有m为true的位置都被赋值，和你Julia集代码里的逻辑完全一致。
结合Julia集的实际场景：
每次迭代时，m会更新——那些这次迭代后超过发散阈值的点会被设为false，不再参与后续赋值。所以diverge[m] = i就是在第i次迭代时，给所有尚未发散的点记录当前步数，最后diverge数组的数值差异就能用来绘制分形色彩。