本文介绍如何利用布尔索引替代显式循环，快速根据特定维度（如 z=1、z=2）的条件批量修改三维 numpy 数组中对应位置的所有通道值，显著提升计算效率。
在处理三维 NumPy 数组（如形状为 (X, Y, Z)）时，若需依据某一或多个切片（例如 Z=1 和 Z=2）的数值条件，对整条深度轴（即该 (x,y) 位置上的所有 Z 通道）统一赋值，传统做法如 np.ndindex 遍历每个 (i, j) 坐标并逐元素判断——虽逻辑清晰，但因 Python 层循环开销大，在大数据量下性能极差。
更高效的方式是向量化布尔索引（vectorized boolean indexing）：
- 利用省略号 ... 沿前导维度广播提取目标切片（如 arr[..., 1] 表示所有 (i,j) 处的 Z=1 值）；
- 构建复合条件掩码（如 (arr[...,1] > 80) | (arr[...,2]
- 直接用该掩码索引原数组 arr[cond] —— NumPy 会自动将 cond 广播为高级索引，匹配所有满足条件的 (i,j,:) 全通道行，并支持整体赋值。
✅ 示例代码（高效向量化写法）：
# 假设 arr.shape == (X, Y, 3) cond = (arr[..., 1] > 80) | (arr[..., 2] < 22) # shape: (X, Y) arr[cond] = 0 # 自动将所有满足 cond[i,j]==True 的 arr[i,j,:] 设为 [0,0,0]
⚠️ 注意事项：
- arr[cond] = 0 中的 0 会被广播填充至被选中的所有元素（即每个 (i,j,:) 行的全部 Z 个值均设为 0）。若需赋不同值（如仅改 Z=0），可显式指定维度：arr[cond, 0] = 0；
- 条件表达式应使用按位运算符 |（或）、&（与），不可用 or/and（会引发 ValueError）；
- 若需保留原始数组，建议先 arr_copy = arr.copy() 再操作，避免意外覆盖。
? 扩展提示：该模式可无缝推广至更高维（如 (B, X, Y, Z) 批处理），只需调整 ... 的广播维度；也可结合 np.where 实现条件选择赋值（如 arr[cond] = np.where(...)），增强灵活性。向量化是 NumPy 性能优化的核心原则——少写循环，多用掩码。
