检测数组是否全零应优先用not np.any(arr)，因其短路特性快且省内存；次选np.count_nonzero(arr)==0，稳定但需全扫描；np.all(arr==0)语义清但内存开销大，仅适用于小数组或特殊dtype。
检测数组是否全零，核心是避开 Python 循环、利用 NumPy 的向量化能力。三种主流方法各有适用边界，关键不在“能不能用”，而在“什么情况下最快、最稳、最省内存”。
any()：适合多数场景的短路快枪手
原理是检查是否存在非零元素，一旦发现就立刻返回，不继续扫描。用于全零判断时写成 not np.any(arr)。
- 优势明显：数组开头就有非零值时，几乎瞬间返回；内存占用最小，不生成新数组
- 劣势也明确：最差情况（全零或非零在末尾）仍要遍历全部元素
- 特别适合中大型数组且非零概率不低的场景，比如图像块预筛、稀疏矩阵行跳过
count_nonzero()：精准但稍重的计数员
直接统计非零元素个数，再判断是否为 0：np.count_nonzero(arr) == 0。
- 优点是行为确定、无短路歧义，结果绝对可靠；对缓存友好，现代 NumPy 实现做了 SIMD 加速
- 缺点是必须扫完整个数组，哪怕第一个元素就非零；还会额外分配计数所需的临时空间（虽小但存在）
- 适合对性能波动敏感的生产环境，或需要与其他计数逻辑复用的代码路径
all() 配合布尔转换：语义清晰但隐含开销
写法是 np.all(arr == 0)，先生成一个布尔数组，再判断是否全为 True。
- 语义最直白，新人一眼看懂；支持任意可比较类型（包括自定义对象，只要支持 == 0）
- 但实际会创建一个和原数组等大的布尔数组，内存翻倍；且比较操作本身比 any() 或 count_nonzero() 多一次广播计算
- 仅建议用于小数组、教学演示，或 dtype 不规整（如 object 类型含混合数值）的特殊情况
不复杂但容易忽略：浮点数组中 -0.0 和 0.0 均被正确识别为零；而 NaN 不等于 0，若数组可能含 NaN，需先清洗或改用 np.all(np.isfinite(arr) & (arr == 0))。
