理想情况下，你应该能够实现一个向量化版本的函数，并使用它来做布尔索引。对于绝大多数问题来说，这是正确的解决方案。Numpy提供了相当多的函数，可以在各种轴上操作，以及所有的基本操作和比较，所以大多数有用的条件应该是可向量化的。

import numpy as np

x = np.random.randn(20, 3)
x_new = x[np.sum(x, axis=1) > .5]

如果你绝对确定你不能做到以上这些，我建议你使用一个列表解析（或者np.apply_along_axis）来创建一个布尔值数组来索引。

def myfunc(row):
    return sum(row) > .5

bool_arr = np.array([myfunc(row) for row in x])
x_new = x[bool_arr]

这将以一种相对干净的方式完成工作，但会比矢量化版本慢得多。例如：

x = np.random.randn(5000, 200)

%timeit x[np.sum(x, axis=1) > .5]
# 100 loops, best of 3: 5.71 ms per loop

%timeit x[np.array([myfunc(row) for row in x])]
# 1 loops, best of 3: 217 ms per loop

正如@Roger Fan提到的，应用一个函数行方式 * 应该 * 真的以向量化的方式在整个数组上完成。过滤的规范方法是构造一个布尔掩码并将其应用于数组。也就是说，如果碰巧函数太复杂以至于无法向量化，将数组转换为Python列表（特别是如果它使用sum()等Python函数）并对其应用该函数会更好/更快。

msk = arr.sum(axis=1)>10                # best way to create a boolean mask

msk = [f(row) for row in arr.tolist()]  # second best way
#                            ^^^^^^^^   <---- convert to list

filtered_arr = arr[msk]                 # filtered via boolean indexing

工作示例和性能测试

从下面的timeit测试中可以看出，循环遍历列表（arr.tolist()）比循环遍历numpy数组（arr）要快得多，部分原因是在函数f()中调用的是Python的sum()而不是np.sum()。也就是说，向量化方法比这两种方法都快得多。

def f(row):
    if sum(row)>10: return True
    else: return False
    
arr = np.random.rand(10000, 200)

%timeit arr[[f(row) for row in arr]]
# 260 ms ± 14 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit arr[[f(row) for row in arr.tolist()]]
# 114 ms ± 4.22 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit arr[arr.sum(axis=1)>10]
# 10.8 ms ± 2.03 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)