从numpy docs起
>>> np.where([[True,False],[True,True]],... [[1,2],[3,4]],... [[9,8],[7,6]])
array([[1,4]])
我以[[True,True]]部分为条件,并且[[1,4]]和[[9,6] ]]根据docs参数分别为x和y.
那么,在以下示例中,该函数如何精确地选择元素？
另外,为什么这些示例中的元素类型是列表？
>>> np.where([[True,False,True],[False,[[1,2,56],[[9,8,79],6]])
array([list([1,56]),list([3,4])],dtype=object)
>>> np.where([[False,True,56,69],90,100],69]),dtype=object)
最佳答案
在第一种情况下,每个项都是(2,2)数组(或更确切地说,可以做成这种数组的列表).对于条件中的每个True,它将返回x中的对应项[[1-] [3,对于每个False,将返回y中的项[[-8] [–]]
在第二种情况下,列表参差不齐
In [1]: [[True,True]]
Out[1]: [[True,True]]
In [2]: np.array([[True,True]])
Out[2]: array([list([True,True]),list([False,True])],dtype=object)
数组是(2,),带有2个列表.并且当转换为布尔值时,为2元素数组,且都为True.只有一个空列表会产生False.
In [3]: _.astype(bool)
Out[3]: array([ True,True])
然后where仅返回x值.
第二种情况是可以理解的,但却是病态的.
更多细节
让我们用一个简单的案例来更详细地演示.条件数组相同：
In [57]: condition = np.array([[True,True]])
In [58]: condition
Out[58]:
array([[ True,[ True,True]])
单参数版本,等效于condition.nonzero()：
In [59]: np.where(condition)
Out[59]: (array([0,1,1]),array([0,1]))
一些人发现更容易可视化该元组的转置-条件为True的3对坐标：
In [60]: np.argwhere(condition)
Out[60]:
array([[0,0],[1,1]])
现在是具有3个参数和标量值的最简单版本.
In [61]: np.where(condition,False) # same as condition
Out[61]:
array([[ True,True]])
In [62]: np.where(condition,100,200)
Out[62]:
array([[100,200],[100,100]])
可视化此操作的一个好方法是使用两个隐藏的任务.
In [63]: res = np.zeros(condition.shape,int)
In [64]: res[condition] = 100
In [65]: res[~condition] = 200
In [66]: res
Out[66]:
array([[100,100]])
另一种执行此方法的方法是使用y值初始化数组,并在非零值处填充x值.
In [69]: res = np.full(condition.shape,200)
In [70]: res
Out[70]:
array([[200,[200,200]])
In [71]: res[np.where(condition)] = 100
In [72]: res
Out[72]:
array([[100,100]])
如果x和y是数组,而不是标量,则此蒙版分配将需要完善,但希望可以对此有所帮助.