nonzero返回元组而非一维索引，用于精确定位非零元素坐标；需用arr[arr!=0]做布尔过滤，ravel_multi_index转线性索引，plt.scatter(*nonzero(arr))绘散点图。
nonzero 返回的是元组，别直接当一维索引用
numpy.nonzero 返回的不是扁平化的索引数组，而是一个长度为 ndim 的元组，每个元素是对应维度上的坐标数组。比如二维数组调用后返回 (row_indices, col_indices)，不是你想要的 [0, 5, 12, ...] 这种线性索引。
常见错误是写成 arr[nonzero(arr)] 却发现结果形状奇怪，或者想用它做布尔掩码时出错——因为 nonzero 不返回布尔数组，它返回的是“位置”，不是“条件”。
- 要提取非零值：用
arr[nonzero(arr)]是对的，但前提是理解它等价于高级索引，会自动广播元组 - 要转成线性索引（flat index）：得用
ravel_multi_index(nonzero(arr), arr.shape) - 如果只是想过滤，更直觉的方式其实是
arr[arr != 0]（但注意这不保留位置信息）
和 nonzero 等价但语义更清晰的写法：arr != 0
判断“哪些位置非零”，最常用、最易读的方式其实是直接用布尔索引：arr != 0。它返回和 arr 同形的布尔数组，可直接用于索引或统计。
nonzero 的核心价值不在判断，而在**定位**——当你需要知道“第几行第几列”时才非它不可。例如做稀疏坐标记录、图像中找前景像素位置、或配合 scipy.sparse.coo_matrix 构造数据。
-
arr != 0更快（少一次函数调用 + 元组解包），且支持np.count_nonzero(arr)快速计数 -
nonzero在需要显式坐标时不可替代，比如你想画出所有非零点的散点图：plt.scatter(*nonzero(arr)) - 注意浮点数比较：用
np.isclose(arr, 0, atol=1e-10)判断“近似为零”，再取反，比!= 0更稳妥
多维数组里 nonzero 的返回顺序是按行优先（C-order）
对二维数组 arr，nonzero(arr) 返回的 (i, j) 元组中，i 和 j 是同步排列的：第 0 个非零元素在 (i[0], j[0])，第 1 个在 (i[1], j[1])，依此类推。这个顺序就是 NumPy 默认的行优先遍历顺序。
Python 3.14.3
微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。
这意味着如果你把结果 zip 起来：list(zip(*nonzero(arr)))，得到的就是一个个 (row, col) 坐标对，适合后续逐点处理。
- 不要假设它按列优先或自定义顺序 —— 没有参数能改这个行为
- 如果需要按某种逻辑排序（如按行号分组），得额外用
argsort或lexsort - 三维及以上同理：
nonzero返回(i, j, k)元组，三者长度一致，一一对应
性能敏感场景下，避免多次调用 nonzero
nonzero 是纯 Python 层封装，内部要遍历整个数组并收集索引，开销不小。如果只是想“跳过零值做计算”，往往有更高效路径。
- 用布尔索引一步到位：
result = func(arr[arr != 0])，比先idx = nonzero(arr)再arr[idx]少一次中间索引构造 - 若需反复查同一数组的非零位置，缓存
nonzero结果（它是不可变元组，可安全复用） - 对超大数组，考虑用
numba.jit或np.where（功能相同，但部分人觉得语义更明确）——不过底层实现一样，性能无差别
真正容易被忽略的是：nonzero 对 masked array 或包含 NaN 的数组行为不同——NaN != 0 为 True，所以 NaN 也会被当作“非零”返回索引；如果业务上要把 NaN 当空值排除，必须显式过滤。
