np.select 是基于条件列表和对应取值列表的向量化多分支赋值工具，按顺序匹配首个为 True 的条件并取对应值，适用于离散标签映射、异常值替换等场景。
np.select 是什么，什么时候该用它
np.select 本质是「条件列表 + 对应取值列表」的向量化 if-elif-else：它不依赖循环，也不要求条件互斥，但会按顺序匹配第一个为 True 的条件，然后取对应值。适合离散、非数学表达式的多分支赋值。
常见错误是把条件写成标量布尔（如 arr > 5 and arr ），这会直接报 ValueError: The truth value of an array with more than one element is ambiguous。必须用 &（不是 and）、|（不是 or）、~（不是 not）连接布尔数组。
使用场景包括：
- 分箱打标签（如
score→"A"/"B"/"C"） - 缺失值/异常值统一替换（如负数、nan、inf 各走不同逻辑）
- 基于多个字段组合判断（需先广播对齐）
示例：
import numpy as np arr = np.array([1, 6, 12, -3, np.nan])condlist = [ np.isnan(arr), # 第一优先级 arr < 0, # 第二优先级（nan 已被截断，不会进这里） (arr >= 0) & (arr < 5), # 注意括号和 & arr >= 5 ] choicelist = ["missing", "neg", "low", "high"]
result = np.select(condlist, choicelist, default="unknown")
→ ['low' 'high' 'high' 'neg' 'missing']
np.piecewise 更适合分段函数式赋值
np.piecewise 和 np.select 表面相似，但核心差异在于：它默认要求条件互斥且覆盖全定义域（否则未覆盖位置填 0 或 default），而且每个分支可以是函数（而不仅是标量或数组）。
它常用于实现类似“分段线性映射”“阈值压缩”“自定义激活函数”这类数学表达明确的场景。比如把 [-∞, 0) 映射为 x²，[0, 1) 映射为 x，[1, ∞] 映射为 1。
注意点：
- 条件必须是布尔数组，长度与输入一致
-
funclist中每个元素可以是函数、标量或同长数组；函数会被自动调用（传入满足该条件的子数组） - 若函数返回长度不匹配的数组，会报
ValueError: shape mismatch
示例：
x = np.array([-2, -1, 0.5, 1.5, 2.0]) condlist = [x < 0, (x >= 0) & (x < 1), x >= 1] funclist = [lambda t: t**2, lambda t: t, lambda t: np.full_like(t, 1.0)]y = np.piecewise(x, condlist, funclist)
→ [4. 1. 0.5 1. 1.]
两者性能与可读性怎么选
没有绝对快慢，但有明显倾向：
-
np.select在条件多、分支逻辑简单（如字符串/整数赋值）时更直观，调试也方便——你可以单独打印每个condlist[i]看是否符合预期。 -
np.piecewise在需要对每段做计算（尤其涉及子数组局部变换）时更紧凑；但如果只是赋固定值，反而不如np.select直观，还容易因函数签名出错。
兼容性上都支持 1D/2D+ 数组，但要注意广播规则：所有条件和选择项必须能广播到同一 shape。若 choicelist 里混用标量和数组，np.select 会自动广播；而 np.piecewise 中函数返回值 shape 必须严格匹配对应子数组长度。
一个易忽略的坑：np.select 的 default 参数默认是 0，不是 np.nan；如果你期望未匹配时留空，得显式写 default=np.nan（且 dtype 要兼容）。
别用它们替代布尔索引的场合
当只有 1–2 个条件，且操作是简单赋值（如 arr[arr ），直接用布尔索引更清晰、内存更省——np.select 和 np.piecewise 都会构造完整条件数组，临时内存开销更大。
另外，如果条件本身计算代价高（比如含 np.isclose 或自定义函数），而你只改其中一小部分值，布尔索引配合 np.where 可能更高效，因为可以短路。
真正需要它们的时刻，是当你发现代码里开始嵌套三层 np.where(np.where(...))，或者条件之间有优先级、又不想写 Python 循环的时候。
