我不确定是否使用np.where执行此操作，但您可以在阵列上调用.reshape。这取决于您需要它的健壮程度（即如果你要在大量不同大小/形状的数据上运行这个），你需要想出一个优雅的方法来确定整形维度。下面是一个例子：

x = np.transpose(np.array([np.arange(10), np.zeros(10, dtype=int)]))
x = np.array([x, x, x])

indexed = x[np.where(np.logical_and(x[..., 0] > 3, x[..., 0] < 7))].reshape(3,3,2)
print("indexed: \n", indexed)

indexed: 
 [[[4 0]
  [5 0]
  [6 0]]

 [[4 0]
  [5 0]
  [6 0]]

 [[4 0]
  [5 0]
  [6 0]]]

布尔掩码：

In [187]: mask = np.logical_and(x[...,0]>3, x[...,0]<7    
In [188]: mask
Out[188]: 
array([[False, False, False, False,  True,  True,  True, False, False,
        False],
       [False, False, False, False,  True,  True,  True, False, False,
        False],
       [False, False, False, False,  True,  True,  True, False, False,
        False]])

是（3，10）型的但是当在索引中使用时，结果变平：

In [189]: x[mask]
Out[189]: 
array([[4, 0],
       [5, 0],
       [6, 0],
       [4, 0],
       [5, 0],
       [6, 0],
       [4, 0],
       [5, 0],
       [6, 0]])

np.where/nonzero获取这些索引：

In [190]: np.nonzero(mask)
Out[190]: 
(array([0, 0, 0, 1, 1, 1, 2, 2, 2], dtype=int64),
 array([4, 5, 6, 4, 5, 6, 4, 5, 6], dtype=int64))

但结果是一样的：

In [191]: x[_]
Out[191]: 
array([[4, 0],
       [5, 0],
       [6, 0],
       [4, 0],
       [5, 0],
       [6, 0],
       [4, 0],
       [5, 0],
       [6, 0]])

由于每个块的“True”的数量相同，我们可以重塑：

In [192]: _.reshape(3,-1,2)
Out[192]: 
array([[[4, 0],
        [5, 0],
        [6, 0]],

       [[4, 0],
        [5, 0],
        [6, 0]],

       [[4, 0],
        [5, 0],
        [6, 0]]])

一般来说，对于所有布尔掩码，这种整形是不可能的。
让我们在每个块中使用不同的值创建一个不同的数组：

In [197]: x = np.transpose(np.array([np.arange(10), np.zeros(10, dtype=int)]))
     ...: z = np.array([x, x-5, x+5])

In [198]: np.nonzero(np.logical_and(z[...,0]>3, z[...,0]<7))
Out[198]: 
(array([0, 0, 0, 1, 2, 2], dtype=int64),
 array([4, 5, 6, 9, 0, 1], dtype=int64))

In [199]: z[_]
Out[199]: 
array([[ 4,  0],
       [ 5,  0],
       [ 6,  0],
       [ 4, -5],
       [ 5,  5],
       [ 6,  5]])

这从一个块中拉3，从下一个块中拉1，从第三个块中拉2。我们不能从这3个子块中创建一个n-d数组。