Question

A = np.array([[1,2,3], [4,5,6], [7,8,0]]) 
for x in A[1,:]:
    if x < failure_tolerance:
         x = 0

这显然不起作用，因为可写性有一些事情发生但我无法支持它。

Answer 1

问题是这里只改变了STARTED。 x 不引用数组中的特定单元格，它包含对数组中元素的引用（但不包含对包含该元素的单元格）。

然而，当你想在批量中对矩阵进行计算时，通常会使用numpy结构：

此处A = np.array([[1,2,3], [4,5,6], [7,8,0]]) A[1,A[1,:] < failure_tolerance] = 0将构建一个小于A[1,:] < failure_tolerance的值的掩码。接下来，我们将failure_tolerance设置为0中的所有值。

例如（使用A）：

failure_tolerance = 5

如您所见，第二行的第一个元素（>>> failure_tolerance = 5 >>> A[1,A[1,:] < failure_tolerance] = 0 >>> A array([[1, 2, 3], [0, 5, 6], [7, 8, 0]])）现在被4替换，因为它小于0。

通常在使用numpy执行调用时，它会运行得更快，因为numpy不会在Python中执行这些调用，而是在C中使用高性能数据结构和算法。对于（非常）小矩阵，不会有任何差别（由于调用开销，numpy可能会花费更长的时间），但如果使用大型矩阵，numpy肯定会胜过用Python编写的任何解决方案。

此外，这种语法非常具有说明性：训练有素的numpy开发人员会立即明白你设置的值小于5。

修改：

如果您需要多个条件，可以使用failure_tolerance作为逻辑或|作为逻辑和。{例如：

&

这会将A = np.array([[1,2,3], [4,5,6], [7,8,0]]) A[1,(A[1,:] < failure_tolerance) & (A[1,:] > at_least_value)] = 0的第二行行的所有值设置为A，因为这些值介于0和at_least_value之间。

循环遍历NumPy数组行/列并修改值

1 个答案: