NumPy是Python科学计算领域的核心库，其数组索引操作是日常开发中使用频率极高的功能。np.argwhere作为获取数组非零元素或满足条件元素索引的常用函数，在多维数组场景下的赋值操作存在不少容易被忽略的陷阱，很多开发者在初次使用时都会遇到赋值结果不符合预期的问题。
np.argwhere的基本特性
np.argwhere函数的作用是返回数组中满足条件的元素的索引，返回值是一个形状为(N, arr.ndim)的二维数组，其中N是满足条件的元素个数，每一行对应一个元素在所有维度上的索引值。我们可以通过一个简单的二维数组示例来观察它的返回结构：
import numpy as np
# 创建一个3行4列的二维数组
arr = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])
# 获取值大于5的元素的索引
indices = np.argwhere(arr > 5)
print(indices)
# 输出：
# [[1 1]
# [1 2]
# [1 3]
# [2 0]
# [2 1]
# [2 2]
# [2 3]]
从输出可以看到，每个索引对对应元素在行和列上的位置，比如[1,1]对应的是第二行第二列的元素6。
常见的赋值陷阱
陷阱一：直接使用索引数组赋值导致维度不匹配
很多开发者会尝试直接用np.argwhere返回的索引数组对原数组进行赋值，比如想把上述数组中大于5的元素都赋值为0，可能会写出下面的代码：
import numpy as np
arr = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])
indices = np.argwhere(arr > 5)
# 错误赋值方式
arr[indices] = 0
print(arr)
这段代码的运行结果并不会把对应元素赋值为0，反而会出现维度错误或者赋值位置不符合预期的情况。原因是arr[indices]的索引逻辑和单维度索引不同，二维的索引数组会被当作两个独立的索引序列，分别取行和列，导致最终选取的元素数量和预期不符。
陷阱二：忽略索引数组的维度导致赋值范围错误
如果数组的维度更高，比如三维数组，np.argwhere返回的索引数组形状是(N,3)，此时如果直接用这个数组作为索引，会进一步放大维度不匹配的问题，甚至不会报错但赋值到完全错误的位置，这类错误排查起来难度更高。
正确的赋值方式
方式一：使用元组解包索引
np.argwhere返回的索引数组可以通过元组解包的方式，转换为每个维度对应的索引序列，这样就能正确匹配多维数组的索引规则：
import numpy as np
arr = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])
indices = np.argwhere(arr > 5)
# 正确赋值方式：将索引数组转换为元组
arr[tuple(indices.T)] = 0
print(arr)
# 输出：
# [[1 2 3 4]
# [5 0 0 0]
# [0 0 0 0]]
这里indices.T是将索引数组转置，得到每个维度对应的索引序列，再用tuple()转换为元组，就能正确对应多维数组的索引规则。
方式二：直接使用布尔索引替代
其实在大部分需要给满足条件的元素赋值的场景中，不需要先获取索引再用np.argwhere，直接使用布尔索引会更简洁也更安全：
import numpy as np
arr = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])
# 直接使用布尔索引赋值
arr[arr > 5] = 0
print(arr)
# 输出和上面的正确方式一致
布尔索引会直接选中所有满足条件的元素，不需要处理索引结构，完全避开了np.argwhere带来的索引维度问题，是更推荐的使用方式。
不同场景的选择建议
如果只需要对满足条件的元素赋值，优先选择布尔索引，代码更简洁且不容易出错。如果除了赋值之外还需要用到满足条件的元素的位置信息做其他操作，再使用np.argwhere获取索引，同时注意用元组解包的方式处理索引结构后再进行赋值操作。对于更高维度的数组，同样适用这两个原则，只要注意索引的维度对应关系即可。
需要注意的是，np.argwhere返回的索引数组默认是int64类型，在高版本NumPy中如果数组的索引类型不匹配可能会有警告，必要时可以用indices.astype(int)转换索引类型。
NumPynp_argwhere数组索引多维数组赋值修改时间：2026-07-11 14:54:32