np.where共两种用法:
第一种np.where(condition, x, y),即condition为条件,当满足条件输出为x,不满足条件则输出y.直接上代码:
a = np.arange(10)
//array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
print(np.where(a > 5, 1, -1))
//array([-1, -1, -1, -1, -1, -1, 1, 1, 1, 1])
上面的挺好理解的,但是官网的例子不是太好理解,如下所示:
np.where([[True,False], [True,True]],
[[1,2], [3,4]],
[[9,8], [7,6]])
// 输出 array([[1, 8], [3, 4]])
可以这么理解,第一行的bool值表示条件,它表示是否取值的意思,首先看[True,False],即第一的True值表示第一行取数值第一行的[1, 2]中的1,而不取下面的9,False表示不取第一行[1, 2]中的2,而取第二行[9, 8]中的8.下面同理得[3, 4].
为了方便理解再举一个例子:
a = 10
>>> np.where([[a > 5,a < 5], [a == 10,a == 7]],
[["chosen","not chosen"], ["chosen","not chosen"]],
[["not chosen","chosen"], ["not chosen","chosen"]])
//array([['chosen', 'chosen'], ['chosen', 'chosen']], dtype='<U10')
第一行a>5True,则取第一行的第一个值,a<5取第二行的第二个值,下面也同理.
理解完第一种方法后,再来看np.where第二种方法:
即np.where(condition),只有条件 (condition)，没有x和y，则输出满足条件 (即非0) 元素的坐标 (等价于numpy.nonzero)。这里的坐标以tuple的形式给出，通常原数组有多少维，输出的tuple中就包含几个数组，分别对应符合条件元素的各维坐标。
>>> a = np.array([2,4,6,8,10])
>>> np.where(a > 5)
//(array([2, 3, 4]),) 返回索引值
>>> a[np.where(a > 5)]
//array([ 6, 8, 10]) 返回元素值,即a[索引]
举一个代码例子,也是我遇到的:
a = array([[0., 1.],
[0., 1.],
[0., 1.],
[0., 1.],
[0., 1.],
[0., 1.],
[0., 1.],
[0., 1.],
[1., 0.],
[0., 1.],
[0., 1.],
[0., 1.],
[1., 0.],
[1., 0.],
[0., 1.],
[0., 1.],
[1., 0.],
[0., 1.],
[1., 0.],
[0., 1.]])
np.where(a == 1)
//(array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
// 17, 18, 19], dtype=int64),
// array([1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 0, 1, 0, 1],
// dtype=int64))返回的两个array数组分表示第几行的第几个值为1,所以结果中的第一个array数组表示行索引,第二个array数组表示列索引也就是1的碎银索引.
附：np.where()多条件用法
1.np.where(condition,x,y) 当where内有三个参数时，第一个参数表示条件，当条件成立时where方法返回x，当条件不成立时where返回y
2.np.where(condition) 当where内只有一个参数时，那个参数表示条件，当条件成立时，where返回的是每个符合condition条件元素的坐标,返回的是以元组的形式
3.多条件时condition，&表示与，|表示或。如a = np.where((0<a)&(a<5), x, y)，当0<a与a<5满足时，返回x的值，当0<a与a<5不满足时，返回y的值。注意x, y必须和a保持相同尺寸。
例如：
import numpy as np
data = np.array([[0, 2, 0],
[3, 1, 2],
[0, 4, 0]])
new_data = np.where((data>= 0) & (data<=2), np.ones_like(data), np.zeros_like(data))
print(new_data)结果：
[[1 1 1]
[0 1 1]
[1 0 1]]
从中可以看出data中每个元素只要满足data>=0并且data<=2, 满足就返回np.ones_like(data)对应坐标的值，不满足就返回np.zeros_like(data)对应坐标的值。当然x , y可以换成其他的值，只要与条件相同尺寸就可以。
总结
到此这篇关于Python np.where()详解以及代码应用的文章就介绍到这了,更多相关np.where()详解及应用内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
