np.where不是if-else的直接平移，因其向量化执行：先计算x和y所有元素，再按condition掩码选取，不惰性求值；NaN需用np.isnan()而非==np.nan；condition、x、y须可广播；仅替换部分值时布尔索引更高效。
np.where 为什么不是 if-else 的直接平移
np.where 看起来像 Python 的三元操作符 x if cond else y，但它是向量化操作——不逐元素判断分支，而是先计算所有 x 和所有 y，再按 condition 掩码选取。这意味着：即使某个位置的 condition 为 False，x 里的表达式仍会执行（可能报错或浪费计算）。
- 如果
x是1 / arr，而arr含 0，哪怕只打算用y分支，也会触发ZeroDivisionError -
np.where不跳过计算，只跳过赋值 - 真正想“惰性求值”，得用布尔索引分步写：
result = np.copy(y); result[condition] = x[condition]
替换 NaN 或无穷大时，用 isnan / isinf 别直接写 == np.nan
np.nan == np.nan 永远是 False，所以 arr == np.nan 全是 False，用它做 condition 会完全失效。
- 正确做法是用
np.isnan(arr)检测 NaN，np.isinf(arr)检测 ±inf - 若需同时处理 NaN 和 inf：
np.isnan(arr) | np.isinf(arr)（注意用|，不是or） - 示例：把所有异常值替换成 0
cleaned = np.where(np.isnan(arr) | np.isinf(arr), 0, arr)
多维数组里 condition 形状不匹配就报 ValueError
np.where 要求 condition、x、y 三者可广播（broadcastable）。常见翻车点：
-
condition是 (3,)，x是 (3, 4)，y是标量 → 行不通，因为 (3,) 和 (3, 4) 广播后是 (3, 4)，但y标量能广播，问题在condition维度不够 - 更隐蔽的是：
condition是 (3, 1)，x是 (3, 4)，这时能广播，但结果可能不符合直觉（按列广播） - 安全做法：显式对齐维度，比如用
np.expand_dims(condition, axis=1)或直接用condition[:, None]
只想改部分值？别硬套 np.where，布尔索引更直白
如果只是“把满足条件的位置替换成固定值”，比如把负数全设为 0，用 np.where 是杀鸡用牛刀。
- 直接写：
arr[arr < 0] = 0，语义清晰、内存原地修改、不生成新数组 -
np.where(arr < 0, 0, arr)会强制返回新数组，多占一倍内存 - 只有当
x和y都是动态表达式（比如两个不同数组的对应元素），才真正需要np.where
复杂点在于 condition 的广播规则和 x/y 的计算时机——这两处不细看文档，很容易写出看似对、实则慢或报错的代码。
