Stel dat ik een numpy-array heb x = [5, 2, 3, 1, 4, 5]
, y = ['f', 'o', 'o', 'b', 'a', 'r']
. Ik wil de elementen in y
selecteren die overeenkomen met elementen in x
die groter zijn dan 1 en kleiner dan 5.
Ik heb het geprobeerd
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']
maar dit werkt niet. Hoe zou ik dit doen?
Antwoord 1, autoriteit 100%
Je uitdrukking werkt als je haakjes toevoegt:
>>> y[(1 < x) & (x < 5)]
array(['o', 'o', 'a'],
dtype='|S1')
Antwoord 2, autoriteit 17%
IMO OP wil eigenlijk geen np.bitwise_and()
(ook bekend als &
)maar wil eigenlijk np.logical_and()
omdat ze logische waarden vergelijken zoals True
en False
– zie dit SO-bericht op logisch vs. bitwiseom het verschil te zien.
>>> 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')
En een gelijkwaardige manier om dit te doen is met np.all()
door het argument axis
op de juiste manier in te stellen.
>>> output = y[np.all([x > 1, x < 5], axis=0)] # desired output is ['o','o','a']
>>> output
array(['o', 'o', 'a'],
dtype='|S1')
door de cijfers:
>>> %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
dus het gebruik van np.all()
is langzamer, maar &
en logical_and
zijn ongeveer hetzelfde.
Antwoord 3, autoriteit 9%
Voeg één detail toe aan @J.F. Sebastian’s en @Mark Mikofski’s antwoorden:
Als men de corresponderende indices wil krijgen (in plaats van de werkelijke waarden van de array), is de volgende code voldoende:
Voor het voldoen aan meerdere (alle) voorwaarden:
select_indices = np.where( np.logical_and( x > 1, x < 5) )[0] # 1 < x <5
Voor het voldoen aan meerdere (of) voorwaarden:
select_indices = np.where( np.logical_or( x < 1, x > 5 ) )[0] # x <1 or x >5
Antwoord 4, autoriteit 2%
Ik gebruik graag np.vectorize
voor dergelijke taken. Overweeg het volgende:
>>> # 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')
Het voordeel is dat u veel meer soorten beperkingen kunt toevoegen aan de gevectoriseerde functie.
Hopelijk helpt het.
Antwoord 5
Eigenlijk zou ik het zo doen:
L1 is de indexlijst van elementen die voldoen aan voorwaarde 1;(misschien kunt u somelist.index(condition1)
of np.where(condition1)
gebruiken om L1 te krijgen. )
Op dezelfde manier krijg je L2, een lijst met elementen die voldoen aan voorwaarde 2;
Vervolgens vind je kruising met intersect(L1,L2)
.
Je kunt ook kruisingen van meerdere lijsten vinden als je aan meerdere voorwaarden moet voldoen.
Dan kun je index toepassen in elke andere array, bijvoorbeeld x.
Antwoord 6
Voor 2D-arrays kunt u dit doen. Maak een 2D-masker met behulp van de voorwaarde. Typ het voorwaardemasker naar int of float, afhankelijk van de array, en vermenigvuldig het met de originele array.
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.]])