如何选择给定条件的数组元素？

156

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

我试过了

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？

python numpy

— 鲍勃
source

219

如果添加括号，则表达式有效：

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

— f
source

1

很好。vecMask = 1 <x生成一个矢量掩码，如vecMask =（False，True，...），可以将其与其他矢量掩码组合使用。每个元素都是获取源向量的元素（真）或不选择（假）的条件。完整版本numpy.extract（vecMask，vecSrc）或numpy.where（vecMask，vecSrc，vecSrc2）也可以使用此功能。

— MasterControlProgram

6

@JennyYueJin：发生是因为优先。（按位）&具有比<和更高的优先级>，而这又比（逻辑）具有更高的优先级and。x > 1 and x < 5首先逃避不平等，然后逃避逻辑合取；x > 1 & x < 5计算和的按位相加1（中的值）x，然后计算不等式。(x > 1) & (x < 5)强制不等式首先进行评估，因此所有操作均按预期的顺序进行，并且结果均已明确定义。在这里查看文档。

— calavicci

@ ru111它也可以在Python 3.6上工作（没有理由使其停止工作）。

— jfs

我收到“ ValueError：具有多个元素的数组的真值不明确。请使用a.any（）或a.all（）”

— ru111

@ ru111您应该编写(0 < x) & (x < 10)（如答案中所示），而不是0 < x < 10它不适用于任何Python版本上的numpy数组。

— jfs

34

IMO OP实际上并不需要np.bitwise_and()（aka &），但实际上是需要的，np.logical_and()因为它们正在比较逻辑值，例如True和False-请参阅此SO 逻辑与按位比较，以了解区别。

>>> 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')

同样的方法是np.all()通过axis适当设置参数。

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

通过数字：

>>> %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

所以使用np.all()比较慢，但&和logical_and大致相同。

— 马克·米科夫斯基
source

7

您需要谨慎对待评估内容。例如，即使in 是中的output = y[np.logical_and(x > 1, x < 5)]，它也是第二个参数，因为它是在函数外部进行求值的，因此可能会创建一个巨大的数组。IOW，通过了两个已经评估的参数。这与的通常情况有所不同，在通常情况下，如果为true ，则不会进行评估。x < 5 logical_anda and bba

— DSM 2013年

15

对于布尔数组，bitwise_and（）和logical_and（）之间没有区别

— jfs

21

在@JF Sebastian和@Mark Mikofski的答案中添加一个细节：
如果要获取相应的索引（而不是数组的实际值），则将执行以下代码：

为了满足多个（所有）条件：

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

为了满足多个（或）条件：

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

— 善意
source

2

请注意，numpy.where不仅将返回索引数组，还将返回包含数组的元组（condition.nonzero（）的输出）-在这种情况下(the array of indices you want,)，因此，您需要select_indices = np.where(...)[0]获取所需的结果并期待。

— calavicci

5

我喜欢np.vectorize用于此类任务。考虑以下：

>>> # 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')

好处是您可以在向量化函数中添加更多类型的约束。

希望能帮助到你。

1

这不是在NumPy中建立索引的好方法（这将非常慢）。

— Alex Riley

1

其实我会这样做：

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

类似地，得到L2，即满足条件2的元素的列表。

然后您使用找到交集intersect(L1,L2)。

如果您有多个要满足的条件，也可以找到多个列表的交集。

然后，您可以将索引应用于任何其他数组，例如x。

— 杨硕
source

0

对于2D阵列，您可以执行此操作。使用条件创建2D蒙版。根据数组，将条件掩码类型转换为int或float，然后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.]])

— 高塔姆·斯瑞库玛（Gautam Sreekumar）
source