「Python数据科学」ndarray的逻辑运算与更灵活的数据筛选

引言

ndarray的向量化的特性，对逻辑运算也是适用的。但是，关于多维数组的逻辑运算不至于得到一个布尔数组的结果，还可以基于布尔索引与逻辑运算相结合，实现更加灵活的数据筛选。

本文的主要内容有：

1、ndarray的比较运算

2、逻辑运算符的使用

3、三元运算函数where

4、通用判断函数any和all

ndarray的比较运算

其实关于多维数组ndarray的比较运算，在前面的内容中，已经有所涉及。其实，更常用的比较运算，是将数组与某个标量进行比较，利用向量化的特性，将比较运算应用到数组中的每一个元素，从而可以得到一个布尔数组。更进一步，ndarray支持使用布尔数组进行索引，所以，可以实现对数组进行满足特定的条件的元素的筛选需求。

直接看对应的代码：

逻辑运算符的使用

除了单个条件进行数组元素的筛选之外，NumPy还提供了逻辑运算符，从而实现条件的组合，实现更加复杂的数据筛选需求。

总共有如下逻辑运算符：

1、np.logical_and()

用于两个条件并且的关系，数组元素筛选语境中，表示求两个集合交集的操作。也就是获取同时满足两个条件的数据。

可以使用运算符 & 进行简化，两者是等价的。

2、np.logical_or()

用于两个条件或的关系，数组元素筛选语境中，表示求两个集合并集的操作。也就是获取满足至少任意一个条件的数据。

可以使用运算符 | 进行简化，两者是等价的。

3、np.logical_not()

用于取反的逻辑运算，表示获取不满足该条件的数据元素。但是，通常来说，我们会自行进行条件的取反操作，而不是通过np.logical_not()来进行取反。

可以使用运算符 ~ 进行简化，两者是等价的。

4、np.logical_xor()

逻辑异或的概念，也就是获取两个条件不同时为真、也不同时为假的数据。

可以简化为操作符 ^，两者是等价的。

下面通过代码进行举例说明：

三元运算函数where

由于逻辑运算返回的结果是布尔数组，有时不是太方便。所以，NumPy还提供了np.where()函数，可以根据条件返回元素的索引或根据条件生成新的数组。

通过代码演示下np.where()函数的使用：

通用判断函数any和all

NumPy中提供的逻辑运算，除了上面的内容外，还有用于实现所有元素都为真，或者至少有一个元素为真，这两种场景的数据筛选需求。

比较简单，直接通过代码进行举例说明：

总结

本文简单介绍了NumPy支持的比较常用的逻辑运算，包括比较运算、逻辑运算符、三元运算，以及any和all的语义。基于这些操作的组合，就可以实现比较灵活的数组元素的筛选了。当然，NumPy中还提供了更多的、更复杂的逻辑运算操作。但是，更复杂的内容，其实，我们可以借助Pandas更加简洁的实现。所以，这里就不再展开了。

以上，就是本文的全部内容，感谢您的拨冗阅读！