np.nonzero()返回元组而非直接索引数组，二维时为(row_indices, col_indices)，需用np.column_stack()转坐标；布尔索引arr[arr!=0]更轻量、直观且高效，适用于筛选与赋值。
nonzero 返回的是元组，不是直接可用的索引数组
调用 np.nonzero() 时，它返回一个 tuple，每个元素是对应维度上的非零位置索引数组。比如二维数组会返回 (row_indices, col_indices)，而不是你直觉里“一行一个坐标”的二维数组。
常见错误现象：直接对返回值做切片或传给 arr[...] 报错，比如 arr[np.nonzero(arr)] 看似合理，但实际触发高级索引规则，可能意外广播或维度不匹配。
- 要取具体坐标，用
np.column_stack(np.nonzero(arr))得到形状为(n, ndim)的二维数组 - 要原地修改非零位置，推荐用布尔索引：
arr[arr != 0] = new_value，更直观且通常更快 - 如果真要索引赋值，写成
arr[np.nonzero(arr)] = 999是合法的，但底层仍按元组解包处理，语义不如布尔索引清晰
nonzero 和布尔索引在性能与内存上的实际差异
np.nonzero() 必须先生成所有索引数组，内存占用正比于非零元素个数；而布尔索引（如 arr > 0）只产生一个和原数组同形的 bool 数组，不显式存坐标。
使用场景：当你要做“查坐标+后续几何计算”（比如找斑点中心、连通域标记），nonzero 不可替代；但仅需筛选/赋值，布尔索引更轻量、可读性更好。
- 对大数组（>100MB），
np.nonzero()可能触发内存峰值，尤其在低内存环境 -
arr[condition]返回的是视图或副本取决于条件复杂度，而arr[np.nonzero(...)]总是返回副本 - 在 JIT 场景（如 Numba），
np.nonzero不被支持，必须改用循环或布尔掩码
多维数组中 nonzero 的索引顺序容易搞反
NumPy 默认行主序（C-order），np.nonzero() 返回的元组顺序严格对应维度顺序：对 arr.shape == (3, 4, 5)，返回的是 (i, j, k)，即 i 变化最慢，k 变化最快。
华为云 Python SDK 查询工具。自动发现已安装 SDK 的服务包、Client类、API 方法、入参详情、类信息（__init__ 参数、属性、类型、描述），支持关键字搜索，快速定位目标 API 使用方法。
容易踩的坑：把返回的 np.nonzero(arr)[0] 当作“第一列坐标”，其实它是“第一个维度的索引”，在图像处理中常误以为是 y 坐标（实际可能是 x，取决于你如何定义 arr[y, x]）。
- 打印
np.nonzero(arr)结果时，顺手加一句print("shape:", arr.shape)，对照维度看 - 需要 (x, y) 坐标？别硬记顺序，用
np.array(np.nonzero(arr)).T[:, ::-1]反转维度顺序（谨慎使用，明确注释） - 用
np.where(condition)本质等价于np.nonzero(condition)，行为完全一致，别指望它更“智能”
稀疏矩阵里不能直接用 nonzero 查非零位置
scipy 稀疏矩阵（如 csr_matrix）也有 .nonzero() 方法，但它返回的是压缩格式下的原始索引，和 NumPy 数组的语义不同——比如 csr_matrix.nonzero() 返回的 col 索引是全局列号，但 row 是非零元素所在行号（可能重复），不是标准二维索引对。
使用场景：如果你从稀疏矩阵转成稠密再调 np.nonzero()，等于主动放弃稀疏优势，大矩阵直接 OOM。
- 真正想取稀疏矩阵的 (row, col, data)，用
coo_matrix格式：coo = sparse_matrix.tocoo(); coords = np.column_stack((coo.row, coo.col)) - 判断是否为空？别用
len(np.nonzero(mat))，直接查mat.nnz（O(1)） - 稀疏矩阵的布尔索引不支持，
mat > 0返回新稀疏矩阵，但mat[mat > 0]会报错
非零索引这件事，核心就卡在“返回值结构”和“内存代价”两个地方。用错一次 np.nonzero() 可能只慢一点，但用错维度顺序或混用稀疏/稠密，问题会藏得深、修得累。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
