Question

假设我有一个numpy数组x = [5, 2, 3, 1, 4, 5]，y = ['f', 'o', 'o', 'b', 'a', 'r']。我想在y中选择与x中大于1且小于5的元素相对应的元素。

我试过

x = array([5, 2, 3, 1, 4, 5])
y = array(['f','o','o','b','a','r'])
output = y[x > 1 & x < 5] # desired output is ['o','o','a']

但这不起作用。我该怎么做？

Answer 1

如果添加括号，则表达式有效：

>>> y[(1 < x) & (x < 5)]
array(['o', 'o', 'a'], 
      dtype='|S1')

Answer 2

IMO OP实际上并不想要np.bitwise_and() (aka &)，但实际上需要np.logical_and()，因为他们正在比较True和False等逻辑值 - 请参阅{{3看到差异。

>>> x = array([5, 2, 3, 1, 4, 5])
>>> y = array(['f','o','o','b','a','r'])
>>> output = y[np.logical_and(x > 1, x < 5)] # desired output is ['o','o','a']
>>> output
array(['o', 'o', 'a'],
      dtype='|S1')

通过适当设置axis参数，使用logical vs. bitwise来实现此目的的等效方法。

>>> output = y[np.all([x > 1, x < 5], axis=0)] # desired output is ['o','o','a']
>>> output
array(['o', 'o', 'a'],
      dtype='|S1')

以数字：

>>> %timeit (a < b) & (b < c)
The slowest run took 32.97 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 1.15 µs per loop

>>> %timeit np.logical_and(a < b, b < c)
The slowest run took 32.59 times longer than the fastest. This could mean that an intermediate result is being cached.
1000000 loops, best of 3: 1.17 µs per loop

>>> %timeit np.all([a < b, b < c], 0)
The slowest run took 67.47 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 5.06 µs per loop

因此使用np.all()速度较慢，但&和logical_and大致相同。

Answer 3

向@ J.F添加一个细节。塞巴斯蒂安和@Mark Mikofski的答案：
如果想要获得相应的索引（而不是数组的实际值），则以下代码将执行：

满足多个（所有）条件：

select_indices = np.where( np.logical_and( x > 1, x < 5) )[0] #   1 < x <5

满足多个（或）条件：

select_indices = np.where( np.logical_or( x < 1, x > 5 ) )[0] # x <1 or x >5

Answer 4

我喜欢使用np.vectorize来执行此类任务。请考虑以下事项：

>>> # Arrays
>>> x = np.array([5, 2, 3, 1, 4, 5])
>>> y = np.array(['f','o','o','b','a','r'])

>>> # Function containing the constraints
>>> func = np.vectorize(lambda t: t>1 and t<5)

>>> # Call function on x
>>> y[func(x)]
>>> array(['o', 'o', 'a'], dtype='<U1')

优点是你可以在矢量化函数中添加更多类型的约束。

希望它有所帮助。

Answer 5

其实我会这样做：

L1是满足条件1的元素的索引列表;（也许您可以使用somelist.index(condition1)或np.where(condition1)来获取L1。）

同样，你得到L2，一个满足条件2的元素列表;

然后使用intersect(L1,L2)找到交集。

如果您有多个条件可以满足，您还可以找到多个列表的交集。

然后，您可以在任何其他数组中应用索引，例如x。

Answer 6

对于2D阵列，您可以执行此操作。使用条件创建2D蒙版。根据条件将条件掩码类型转换为int或float，并将其与原始数组相乘。

In [8]: arr
Out[8]: 
array([[ 1.,  2.,  3.,  4.,  5.],
       [ 6.,  7.,  8.,  9., 10.]])

In [9]: arr*(arr % 2 == 0).astype(np.int) 
Out[9]: 
array([[ 0.,  2.,  0.,  4.,  0.],
       [ 6.,  0.,  8.,  0., 10.]])

Numpy数组，如何选择满足多个条件的指数？

6 个答案: