1.利用np.where(condition)来进行筛选,完全等价于np.nonzero()
(1)如下代码是从二维数组中筛选满足大于0的元素所在的索引位置.
import numpy as np
target=np.array([[1,2,3],[0,2,0],[1,2,3]])
where_res=np.where(target>0)
print('-'*20)
print(where_res)
执行结果如下:
(array([0, 0, 0, 1, 2, 2, 2]), array([0, 1, 2, 1, 0, 1, 2]))
可以看到,对于二维数组,在利用np.where()进行筛选时,返回的是满足条件的元素的索引,返回结果的结果是一个元祖,元祖中元素(数组格式)的个数与原数组的维度相等,且元祖中的每一个数组在元祖中的索引对应于原数组中的维度.元祖中每一个数组的值对应于满足条件的元素在原二维数组中各个维度上的索引.
(2)从二维数组中筛选满足大于0的元素.
import numpy as np
target=np.array([[1,2,3],[0,2,0],[1,2,3]])
where_res=np.where(target>0)
print(where_res)
print('-'*30)
print(target[where_res])
执行结果如下:
(array([0, 0, 0, 1, 2, 2, 2]), array([0, 1, 2, 1, 0, 1, 2]))
------------------------------
[1 2 3 2 1 2 3]
可以看到,按条件查找的元素的返回值为一个一维列表.
(3)修改二维数组中指定位置的元素值.
import numpy as np
target=np.array([[1,2,3],[0,2,0],[1,2,3]])
where_res=np.where(target>0)
print(where_res)
print('-'*30)
target[where_res]=100
print(target)
上述代码中将满足大于0的元素的值全部设置为100,执行结果如下:
(array([0, 0, 0, 1, 2, 2, 2]), array([0, 1, 2, 1, 0, 1, 2]))
------------------------------
[[100 100 100]
[ 0 100 0]
[100 100 100]]
可以看到,按条件(>0)的元素的值全部被重置为0.
!对于1中np.where()的用法,完全等价与np.nonzero(),下面举例说明:
import numpy as np
target=np.array([[1,2,3],[0,2,0],[1,2,3]])
where_res=np.where(target>0)
print(where_res)
print(target[where_res])
print('-'*30)
nonzero_res=np.nonzero(target>0)
print(nonzero_res)
print(target[nonzero_res])
输出结果如下:
(array([0, 0, 0, 1, 2, 2, 2]), array([0, 1, 2, 1, 0, 1, 2]))
[1 2 3 2 1 2 3]
------------------------------
(array([0, 0, 0, 1, 2, 2, 2]), array([0, 1, 2, 1, 0, 1, 2]))
[1 2 3 2 1 2 3]
可以看到,np.where(conditon)与np.nonzero(condition)用法完全相同,都是用来返回数组中满足条件的元素的索引值.
2.直接利用算术表达式来进行筛选
(1)从二维数组中筛选满足大于0的元素所在的索引位置.
import numpy as np
target=np.array([[1,2,3],[0,2,0],[1,2,3]])
compare_res=target>0
print(compare_res)
执行结果如下:
[[ True True True]
[False True False]
[ True True True]]
从运行结果来看,使用算术表达式来筛选数组中的元素时,其返回结果是一个列表,其shape与原数组的shape相同,满足条件的元素在其索引处为True,不满足为False.
(2)从二维数组中筛选满足大于0的元素.
import numpy as np
target=np.array([[1,2,3],[0,2,0],[1,2,3]])
compare_res=target>0
print(compare_res)
print('-'*30)
print(target[compare_res])
其运行结果如下:
[[ True True True]
[False True False]
[ True True True]]
------------------------------
[1 2 3 2 1 2 3]
可以看到,成功筛选出了原数组中满足条件的元素,为一维列表,尽管利用算术表达式和np.where()对某个数组进行条件判断时,其返回结果的形式不同,但是利用算术表达式筛选数组中的元素时,其结果等价与使用np.where().
(3)修改二维数组中指定位置的元素值.
import numpy as np
target=np.array([[1,2,3],[0,2,0],[1,2,3]])
compare_res=target>0
print(compare_res)
print('-'*30)
target[compare_res]=100
print(target)
执行结果如下:
[[ True True True]
[False True False]
[ True True True]]
------------------------------
[[100 100 100]
[ 0 100 0]
[100 100 100]]
可以看到,成功改变了原数组中满足条件的元素值,尽管利用算术表达式和np.where()对某个数组进行条件判断时,其返回结果的形式不同,但是利用算术表达式修改数组中的指定元素的值时,其结果等价于使用np.where().
3.利用np.where()和算术表达式来更改数组中满足条件的元素的值.
利用np.where()的另一种用法:
np.where(condition,x,y),满足条件输出x,不满足条件输出y
import numpy as np
target=np.array([[1,2,3],[0,2,0],[1,2,3]])
condition=target>0
#满足条件,则不改变原值,否则将元素值置为100
target_res=np.where(condition,target,100)
print(target_res)
print('-'*30)
#满足条件,则将原元素置为1,否则将元素值置为1000
res=np.where(condition,1.5,1000)
print(res)
输出结果如下:
[[ 1 2 3]
[100 2 100]
[ 1 2 3]]
------------------------------
[[ 1.5 1.5 1.5]
[1000. 1.5 1000. ]
[ 1.5 1.5 1.5]]