Answers:
他们如何在内部实现将x> 5之类的内容传递给方法的能力?
简短的答案是他们没有。
对numpy数组进行的任何逻辑运算都会返回布尔数组。(即__gt__
,,__lt__
等等都返回给定条件为true的布尔数组)。
例如
x = np.arange(9).reshape(3,3)
print x > 5
产量:
array([[False, False, False],
[False, False, False],
[ True, True, True]], dtype=bool)
这就是为什么类似的东西if x > 5:
如果x
是一个numpy数组会引发ValueError的原因。它是True / False值的数组,而不是单个值。
此外,numpy数组可以由布尔数组索引。例如,在这种情况下,x[x>5]
yields [6 7 8]
。
老实说,您实际需要的很少,numpy.where
但它只返回布尔数组为的索引True
。通常,您可以使用简单的布尔索引来完成所需的操作。
__getitem__
语法也可能会产生开销。由于还必须支持切片,因此会有一些开销。在使用Python Pandas数据结构和逻辑索引非常大的列时,我已经看到了明显的速度差异。在这种情况下,如果你不需要切片,然后和实际上是更好的。[]
numpy.where
numpy.take
__getitem__
take
where
旧答案, 这有点令人困惑。它为您提供了陈述正确的位置(所有位置)。
所以:
>>> a = np.arange(100)
>>> np.where(a > 30)
(array([31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47,
48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64,
65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81,
82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98,
99]),)
>>> np.where(a == 90)
(array([90]),)
a = a*40
>>> np.where(a > 1000)
(array([26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42,
43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59,
60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76,
77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93,
94, 95, 96, 97, 98, 99]),)
>>> a[25]
1000
>>> a[26]
1040
我将它用作list.index()的替代方法,但它还有许多其他用途。我从未将其用于2D阵列。
http://docs.scipy.org/doc/numpy/reference/generated/numpy.where.html
新答案 似乎这个人在问一些更基本的问题。
问题是您如何实现允许功能(例如在哪里)知道所请求内容的东西。
首先请注意,调用任何比较运算符都会做一件有趣的事情。
a > 1000
array([False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True`, True, True, True, True, True, True, True, True, True], dtype=bool)`
这是通过重载“ __gt__”方法来完成的。例如:
>>> class demo(object):
def __gt__(self, item):
print item
>>> a = demo()
>>> a > 4
4
如您所见,“ a> 4”是有效代码。
您可以在此处获得所有重载函数的完整列表和文档:http : //docs.python.org/reference/datamodel.html
令人难以置信的是,这样做非常简单。python中的所有操作都是以这种方式完成的。说a> b等于a。gt(b)!
np.where(a > 30 and a < 50)
或者np.where(30 < a < 50)
因为它最终试图评估两个布尔数组的逻辑AND,这毫无意义。有没有办法写这样的条件np.where
?
np.where((a > 30) & (a < 50))
np.where
返回一个元组,其长度等于在其上被调用的numpy ndarray的维数(换句话说ndim
),并且元组的每个项目都是一个初始ndarray中条件为True的所有值的索引的numpy ndarray。(请不要将尺寸与形状混淆)
例如:
x=np.arange(9).reshape(3,3)
print(x)
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
y = np.where(x>4)
print(y)
array([1, 2, 2, 2], dtype=int64), array([2, 0, 1, 2], dtype=int64))
y是长度为2的元组,因为x.ndim
为2。元组的第一项包含所有大于4的元素的行号,第二项包含所有大于4的元素的列号。如您所见,[1,2,2 ,2]对应于5,6,7,8的行号,[2,0,1,2]对应于5,6,7,8的列号注意,ndarray沿第一维(行方向)遍历)。
同样,
x=np.arange(27).reshape(3,3,3)
np.where(x>4)
将返回长度为3的元组,因为x具有3个维度。
但是,等等,np.where还有更多!
当两个附加参数被添加到np.where
; 它将对上述元组获得的所有那些成对的行-列组合执行替换操作。
x=np.arange(9).reshape(3,3)
y = np.where(x>4, 1, 0)
print(y)
array([[0, 0, 0],
[0, 0, 1],
[1, 1, 1]])
numpy.where
确实有2“操作模式”,第一个返回indices
,其中condition is True
如果可选参数x
和y
存在(相同的形状condition
,或broadcastable这种形状!),它将从返回值x
时condition is True
以其他方式从y
。因此,这使它where
具有更多用途,并使其可以更经常使用。谢谢