Numpy.nonzero()返回的是数组中，非零元素的位置。如果是二维数组就是描述非零元素在几行几列，三维数组则是描述非零元素在第几组中的第几行第几列。
举例如下：
二维数组:
a = np.array([[1, 0, 3], [0, 2, 0], [0, 0, 9]]) b = np.nonzero(a) print(b)
结果为：(array([0, 0, 1, 2], dtype=int64), array([0, 2, 1, 2], dtype=int64))
第一个array描述行，第二个array描述列，我们把结果转变下以便理解：
array[0, 0, 1, 2]
array[0, 2, 1, 2]
我们看到第一个非零元素1，在0行0列，对应为加粗数字：
array[0, 0, 1, 2]
array[0, 2, 1, 2]
第二个非零元是3，在0行2列，对应：
array[0, 0, 1, 2]
array[0, 2, 1, 2]
第三个非零元素是2，在1行1列，对应：
array[0, 0, 1, 2]
array[0, 2, 1, 2]
第四个非零元素是9，在2行2列，对应：
array[0, 0, 1, 2]
array[0, 2, 1, 2]
再举一个三维数组的列子：
a = np.array([[[0,1],[2,0]],[[0,3],[4,0]],[[0,0],[5,0]]]) b = np.nonzero(a) print(b)
结果为：(array([0, 0, 1, 1, 2], dtype=int64), array([0, 1, 0, 1, 1], dtype=int64), array([1, 0, 1, 0, 0], dtype=int64))
同样变形下：
第一个非零元是1，在0组0行1列，对应
array[0
array[0
array[1
第二个非零元是2，在0组1行0列，对应
array[0, 0
array[0, 1
array[1, 0
第三个非零元是3，在1组0行1列，对应
array[0, 0, 1
array[0, 1, 0
array[1, 0, 1
第四个非零元是4，在1组1行0列，对应
array[0, 0, 1, 1
array[0, 1, 0, 1
array[1, 0, 1, 0
第五个非零元素是5，在2组1行0列，对应
array[0, 0, 1, 1, 2
array[0, 1, 0, 1, 1
array[1, 0, 1, 0, 0
更高维数计算类似，读者可以自己推导