有人可以解释这段代码在做什么吗？
a = np.array([[1, 2], [3, 4]])
a[..., [True, False]]
在那[True, False]做什么？
省略号表示法和布尔值作为整数
省略号扩展为 : 生成与 x.ndim 长度相同的选择元组所需的对象的数量。可能只存在一个省略号
True并且False 只是混淆了 0 和 1。以文档中的示例为例：
x = np.array([[[1],[2],[3]], [[4],[5],[6]]])
x[...,0]
# outputs: array([[1, 2, 3],
# [4, 5, 6]])
x[..., False] # same thing
布尔值指定索引，就像数字 0 或 1 一样。
回答你在评论中提出的问题
首先看起来很神奇
a = np.array([[1, 2], [3, 4]])
a[..., [True, True]] # = [[2,2],[4,4]]
但当我们将其视为
a[..., [1,1]] # = [[2,2],[4,4]]
似乎不太令人印象深刻。
相似地：
b = array([[1,2,3],[4,5,6]])
b[...,[2,2]] # = [[3,3],[5,5]]
应用省略规则后；true 和 false 抓取列索引，就像 0、1 或 17 一样
用于复杂索引的布尔数组
有一些细微的差别（布尔类型与整数类型不同）。许多复杂的细节都可以在这里找到。这些似乎在您的代码中没有任何作用，但它们对于弄清楚 numpy 索引的工作原理很有趣。
特别是，这一行可能就是您正在寻找的：
将来，类布尔数组（例如 python 布尔列表）将始终被视为布尔索引
在此页面上，他们讨论了布尔数组，作为索引工具，布尔数组非常复杂
用作索引的布尔数组的处理方式与索引数组完全不同。布尔数组的形状必须与索引数组的初始维度相同
稍微往下跳一点
与整数索引数组的情况不同，在布尔情况下，结果是一个一维数组，其中包含索引数组中与布尔数组中所有 true 元素相对应的所有元素。索引数组中的元素始终按行优先（C 样式）顺序迭代和返回。结果也与 y[np.nonzero(b)] 相同。与索引数组一样，返回的是数据的副本，而不是切片获取的视图。