NumPy链式布尔索引更新布尔数组失效及np.where差异咨询

核心本质：布尔花式索引返回的是副本而非视图 #

两种写法执行逻辑存在本质差异，这是NumPy索引机制的固定特性：

• 链式写法失效的原因
  代码not_converged[not_converged][newly_converged] = False遵循从左到右的执行顺序：
  1. 第一步先执行not_converged[not_converged]，布尔数组属于花式索引范畴，这类索引不会返回指向原数组的内存视图，而是会生成独立的临时数组，存储原数组中所有布尔值为True位置的数据拷贝。在示例中这个临时数组的值为[True, True]，对应原数组索引0、2的位置。
  2. 后续的[newly_converged] = False操作，修改的是刚生成的临时数组的对应位置，这个临时数组在当前代码行执行结束后就会被销毁，修改完全没有同步到原数组，因此原数组不会发生任何变化。

只有基础切片（如arr[1:3]）、满足内存连续性要求的简单索引场景下，NumPy才会返回指向原内存块的视图；所有花式索引（含布尔索引、不连续整数数组索引）返回的都是独立数据副本，对副本的赋值永远不会影响原数组。

• np.where写法生效的原因
  代码not_converged[not_converged] = np.where(newly_converged, False, True)直接对原数组执行操作：
  1. 赋值符号左侧的not_converged[not_converged]直接定位原数组中所有未收敛的内存位置，不存在生成中间副本后二次索引的操作。
  2. 右侧通过np.where生成和左侧待更新位置长度完全匹配的值序列：newly_converged为True的位置对应值False（标记为已收敛），为False的位置保留值True（保持未收敛状态），赋值操作直接把值写入原数组对应内存位置，因此可以正确更新状态。

更高效的可选实现 #

除了np.where的写法，也可以先提取未收敛位置的整数索引再更新，避免生成额外的全量匹配数组：

import numpy as np

not_converged = np.array([True, False, True])
newly_converged = np.array([True, False])

# 提取原数组中所有未收敛点的整数索引
unconverged_pos = np.flatnonzero(not_converged)
# 直接定位新收敛的点在原数组中的位置，更新状态
not_converged[unconverged_pos[newly_converged]] = False

print(not_converged)  # 输出 [False False  True]

内容的提问来源于stack exchange，提问作者JeffP