1. 程式人生 > >python numpy.where()函式的用法

python numpy.where()函式的用法

numpy.where(condition[,x,y])

返回元素,可以是x或y,具體取決於條件(condition)

對於不同的輸入,where返回的值是不同的。

引數: ccondition:array_llike,bool
如果為True,則產生x,否則產生y。
x,y:array_like,可選
要從中選擇的值。x,y和條件需要可以播放到某種形狀。
返回值:

out:ndarray或ndarray元組

如果同時指定了x和y,則輸出陣列包含x的元素,其中condition為True,其他元素來自y。如果只給出條件,則返回元組condition.nanzero(),條件為True的索引。

Example:

 當陣列是一維陣列時,返回的值是一維的索引,所以只有一組索引陣列

In [1]: a = np.arange(8)

In [2]: a
Out[2]: array([0, 1, 2, 3, 4, 5, 6, 7])

In [3]: np.where(a>4)
Out[3]: (array([5, 6, 7], dtype=int64),)

當陣列是二維陣列時,滿足條件的陣列值返回的是值的位置索引,因此會有兩組索引陣列來表示值的位置,返回的第一個array表示行座標,第二個array表示縱座標,兩者一一對應

In [4]: b = np.arange(4*5).reshape(4,5)

In [5]: b
Out[5]: 
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

In [6]: np.where(b>14)
Out[6]: (array([3, 3, 3, 3, 3], dtype=int64), array([0, 1, 2, 3, 4], dtype=int64))

當條件(condition)為多維陣列時,根據條件中為True則選擇x中相應的數值,為False選擇y中相應的數值

In [7]: np.where([[False, True], [False, True]],
        [[5, 3], [7, 9]],
        [[2, 6], [1, 8]])
Out[7]: 
array([[2, 3],[1, 9]])

第一個元素中的第一個值為False,所以選擇y中的2,第二個值為True,選擇x中3,第二個元素中的第一個值為False,所以選擇y中的1,第二個值為True,選擇x中9.

當引數中只給出條件時,則返回非零元素的索引:

In [8]: np.where([[0, 1], [1, 1]])
Out[8]: (array([0, 1, 1], dtype=int64), array([1, 0, 1], dtype=int64))
In [9]: x = np.arange(12.).reshape(4, 3)

In [10]: x
Out[10]: 
array([[  0.,   1.,   2.],
       [  3.,   4.,   5.],
       [  6.,   7.,   8.],
       [  9.,  10.,  11.]])

In [11]: np.where(x>7)
Out[11]: (array([2, 3, 3, 3], dtype=int64), array([2, 0, 1, 2], dtype=int64))

In [12]: x[np.where( x > 6.0 )]           
Out[12]: array([  7.,   8.,   9.,  10.,  11.])

In [13]: np.where(x < 8, x, np.nan)
Out[13]: 
array([[  0.,   1.,   2.],
       [  3.,   4.,   5.],
       [  6.,   7.,  nan],
       [ nan,  nan,  nan]])

根據找到的元素的索引找到元素的具體位置

In [14]: x = np.arange(12.).reshape(4, 3)

In [15]: x
Out[15]: 
array([[  0.,   1.,   2.],
       [  3.,   4.,   5.],
       [  6.,   7.,   8.],
       [  9.,  10.,  11.]])

In [16]: positions = [2,6,10]

In [17]: ins = np.isin(x,positions)

In [18]: ins
Out[18]: 
array([[False, False,  True],
       [False, False, False],
       [ True, False, False],
       [False,  True, False]], dtype=bool)

In [19]: np.where(ins)
Out[19]: (array([0, 2, 3], dtype=int64), array([2, 0, 1], dtype=int64))