关于NumPy中arr[True]创建新轴及True不按布尔掩码工作的疑问

这个问题的核心是NumPy对布尔标量和布尔数组的索引规则完全不同，我来给你拆解清楚：

1. 两种布尔索引的本质区别 #

• 布尔数组索引：当你传入的是一个和原数组维度匹配的布尔数组（比如x<3、np.repeat(True,5)），NumPy会执行掩码筛选——只保留数组中对应位置为True的元素，输出的形状由筛选后的元素数量决定。
• 布尔标量索引：当你传入的是单个True/False（布尔标量），NumPy会把它当作np.newaxis（或None）的等价用法，作用是为数组新增一个维度，而不是做元素筛选。这是NumPy的特殊语法设计，标量布尔值在这里是维度占位符，而非掩码。

2. 结合你的例子逐一分析 #

• x[(x<3) & True].shape → (3,)：这里(x<3) & True是把布尔数组x<3和标量True做按位与运算，结果还是一个长度为5的布尔数组（前3位True，后2位False），属于布尔数组索引，所以是筛选出前3个元素，形状为(3,)。
• x[np.repeat(True, 5)].shape → (5,)：np.repeat(True,5)生成的是长度为5的全True布尔数组，同样触发掩码筛选，选中所有元素，形状保持(5,)。
• x[True].shape → (1, 5)：这里的True是单个布尔标量，触发新增维度逻辑，等价于x[np.newaxis]或x[None]，给原数组增加了一个长度为1的新维度，所以形状变成(1,5)。

3. 额外验证 #

你可以测试x[False]，会得到形状(0,5)，这和x[np.newaxis][0:0]的结果一致，进一步证明单个布尔标量是用来操作维度，而非做掩码筛选。

内容的提问来源于stack exchange，提问作者Labo