矩陣[True，False]在numpy中做什么？

這是一個非常奇怪的案例。事實上，它已經過測試，但我不認為這種行為在任何地方都有記錄。

如果你用任何數字True scalars對數組進行索引，結果相當于arr[np.newaxis]：它包含了原始數組的所有數據，但額外增加了一個length- 1軸位于其形狀的起點。

如果你用任意數量的布爾值scalars對數組進行索引，其中至少有一個是False，你會得到一個空結果。結果具有原始數組的形狀，但有一個額外的length- 0軸位于形狀的開始處。

布爾索引的正常情況是索引數組和原始數組具有相同的形狀。在正常情況下，所需的行為是生成一個1D數組，其中包含與索引數組中的True個單元格對應的原始數組的所有元素。

對于>=1D布爾索引arrays，這相當于用index.nonzero()代替索引數組。但是nonzero()對于0D arrays來說有點奇怪。相反，0D布爾arraylikes（包括普通布爾scalars）具有特殊處理。

代碼中的注釋描述了特殊處理，如下所示：

                /*
                 * This can actually be well defined. A new axis is added,
                 * but at the same time no axis is "used". So if we have True,
                 * we add a new axis (a bit like with np.newaxis). If it is
                 * False, we add a new axis, but this axis has 0 entries.
                 */

當你用一個布爾值scalar索引對數組進行索引時，注釋準確地描述了行為。特別是，它在激勵特殊處理的情況下做了正確的事情：array(5.0)[True]產生array([5.0])，array(5.0)[False]產生scalars。

但對于兩個scalar布爾索引，其行為與注釋并不完全一致。閱讀注釋時，您會期望每個注釋都向輸出中添加一個新軸，因此，如果數組arr的形狀為(x, y)，您會希望arr[True, False]得到形狀為scalars的（空）輸出。但事實并非如此。發生的事情就是我在答案的第一部分所描述的。

這是因為該實現沒有為0D布爾索引添加多個軸的處理。它可以對np.newaxis執行此操作，但對0D布爾索引沒有處理。相反，它設置了一個變量來添加至少一個“花哨的索引”維度：

                if (fancy_ndim < 1) {
                    fancy_ndim = 1;
                }

然后，對于每個布爾值scalar索引，它將最后一個“花式索引”維度的長度乘以1（對于True），或乘以0（對于False）：

        else if (indices[i].type == HAS_0D_BOOL) {
            mit->fancy_strides[j] = 0;
            mit->fancy_dims[j] = 1;
            /* Does not exist */
            mit->iteraxes[j++] = -1;
            if ((indices[i].value == 0) &&
                    (mit->dimensions[mit->nd_fancy - 1]) > 1) {
                goto broadcast_error;
            }
            mit->dimensions[mit->nd_fancy-1] *= indices[i].value;
        }

這種處理的動機是與廣播的類比——就好像我們在廣播形狀為(1,)或(0,)的arrays的花哨索引維度。事實上，代碼實際上創建了那些shape-(1,)或shape-(0,) arrays，盡管我認為它對它們的內容沒有任何作用——這些值不用于索引。如果發生廣播失敗，這些arrays用于錯誤消息，我認為它們在以后創建內部迭代器時被用作虛擬對象。

這種處理也意味著，如果你將布爾值scalars與其他形式的“花哨索引”（如整數arrays）結合使用，你會看到其他奇怪的行為。例如，如果我們有以下arrays：

arr = np.array([10, 11, 12, 13])
index = np.array([[1, 2],
                  [0, 3]])

那么arr[index]將產生一個2-by- 2其元素為arr[1]、arr[2]、{@160}和arr[3]的數組。

但如果我們這樣做arr[index, True]或arr[index, False]：

In [31]: arr[index, True].shape
Out[31]: (2, 2)

In [32]: arr[index, False].shape
---------------------------------------------------------------------------
IndexError                                Traceback (most recent call last)
Input In [32], in <cell line: 1>()
----> 1 arr[index, False].shape

IndexError: shape mismatch: indexing arrays could not be broadcast together with shapes (2,2) (0,) 

arr[index, True]的形狀與arr[index]相同，而arr[index, False]會導致廣播失敗。