numpy高级函数操作之—

一、什么是np.select()

顾名思义，这个函数用用来“ 根据某一些条件 ” 来筛选出 “某一些元素 ”的函数，比如我有一个数组，我如果用if-else语句去做，当然也可以，比如我们让小于6的元素各自加上10，大于等于6的元素统统变为100，我们可以这么做，代码如下：

a=np.array([1,2,3,4,5,6,7,8,9,10])
aaa=[]      #存储筛选结果的列表
for i in a: #通过循环去完成if(i<6):i=i+10else:i=100aaa.append(i)print(aaa)

运行结果为 [11, 12, 13, 14, 15, 100, 100, 100, 100, 100]

但是这样做的缺点就是效率太过于低下，因为这样做就是使用循环，条件判断去完成，select（）函数就是专门针对这种情况提出来的。

1、select函数的定义

def select(condlist, choicelist, default=0):

condlist参数：操作数据所依据的条件

choicelist参数：根据condlist条件，索要执行的操作

返回值：返回的是一个“ 列表” 。

注意上面的condlist和choicelist都必须是写成“ 列表 ”的形式。

要实现上面同样的操作，这里只需要一句话就可以完成

a=np.array([1,2,3,4,5,6,7,8,9,10])
condlist=[a<6]      #第一个参数，必须用【】括起来，列表形式
print(condlist)
choicelist=[a+10]   #第二个参数，必须用【】括起来，列表形式
print(choicelist)
aa=np.select(condlist,choicelist,default=100)
print(aa)

程序运行的结果为：

[array([ True, True, True, True, True, False, False, False, False,False])]
[array([11, 12, 13, 14, 15, 16, 17, 18, 19, 20])]
[11 12 13 14 15 100 100 100 100 100] #由此可见，依然得到的是上面的结果。

什么意思呢？可以这样理解，对于第一个参数condlist=[ a<6 ]，我们将a<6看成是一个条件，只不过这个条件是针对array类型的a的，第二个参数choicelist所要执行的操作是依据condlist而言的，即这里的 [a+10]里面的a+10这个操作，和 [a<6]这个里面的，a<6是对应关系的，即当第一条件里的每个元素满足条件的时候，即为True的时候，就执行相应的操作，如果为false，那么久不执行，而对于不满足的元素，则执行默认的值，即default。

2、select() 对于多条件、多操作的筛选和执行

比如针对一个数组，我们规定小于6的就加上10，介于10~15之间的就平方，大于20的就乘以10，其他的就默认变为100.

a=np.array([[1,2,3,4,5],[6,7,8,9,10],[11,12,13,14,15],[16,17,18,19,20],[21,22,23,24,25]])
condlist=[a<6,np.logical_and(a>10,a<16),a>20]  #参数一，定义三个限制条件
print(condlist)
choicelist=[a+10,a**2,a*10]                    #参数二，定义三个不同的操作
print(choicelist)
aa=np.select(condlist,choicelist)
print(aa)print('=======================================')

运行结果为：

[[ 11 12 13 14 15] #第一行分别加上了10
[ 0 0 0 0 0]
[121 144 169 196 225] #第三行每个数分别进行了平方
[ 0 0 0 0 0]
[210 220 230 240 250]] #第五行每个数分别乘以10

3、select函数总结

参数一，condlist=【条件一，条件二，条件三，，，，】

参数二，choicelist=【操作一，操作二，操作三，，，，，】

只有每个条件中，对应为true的才会执行相对应的操作，最终所有条件都不满足的元素，则执行默认值default。

二、np.choose()函数

choose（）函数，顾名思义，也是通过某一些条件去“选择”相关的元素，choose的操作会比自己使用for-if-else效率要高。

1、choose()函数的定义

def choose(a, choices, out=None, mode='raise'):

参数 a ：它必须是一个 int 型的数组，并且 a 中的元素，必须是0~n-1之间的数，这里的n表示的就是数组choices数组最外层的维度数。

choices：表示的是要操作的数组，要注意的是choices的数组的维度是一定要和a进行匹配的，如果匹配不了，会出现错误。

参数out：接收运算结果的数组，它的维度一定要和 a 是一样的，是可选参数。

参数mode：默认的是raise，表示的是a数组中的元素不能超过 n ，她还有两个可选值，

clip：将 a 中的元素如果小于0，则将其变为0，如果大于n-1，则变为n-1

wrap：将a中的值 value变为value mod n，即值除以n的余数。

2、choose的应用

（1）当a和choices都是相同维数的时候——a为1维，choices为1维

result=np.array([0,0,0,0,0])
aa=np.choose([4,2,1,3,0],[11,22,33,44,55],out=result)  #当a,与choices的尾数相同的时候
print(aa)
print(result)  #result是out输出的，这里和aa的结果是一样的

运行结果：

[55 33 22 44 11]
[55 33 22 44 11] #二者的结果是一样的，这个地方使用了out，mode参数使用的是默认值

总结：因为choices的 n 为5，所以 a 中的元素不能够超过5 ，它代表的是 choices中的索引index。11对应0，22对应1，33对应2，44对应3，55对应4.

（2）当a的维数比choices的维数多的时候——a为2维，choices为1维

bb=np.choose([[4,2,1,3,0],[3,4,2,0,1],[0,2,1,4,3]],[11,22,33,44,55])
print(bb)

运行结果为：

[[55 33 22 44 11]
[44 55 33 11 22]
[11 33 22 55 44]] # a 中的每一个索引都分别与choices 对应着的。

（3）当a的维数比choices的维数少的时候——a为1维，choices为2维

cc=np.choose([4,2,1,3,0],[[11,22,33,32,31],[44,55,66,65,64],[77,88,99,98,97],[111,222,333,332,331],[444,555,666,665,664]])
print(cc)

运行结果为：

[444 88 66 332 31] # 444 对应于 choices[4,0]，88对应于 choices[2,1]，66 对应于 choices[1,2]，332 对应于 choices [3,3]，31 对应于 choices[0,4]

总结：由此可知，choices的最外层索引index依然是与a进行匹配的，但是内层索引是按照从0开始，0、1、2、3、4逐渐递增的。鉴于此，choices的内层元素数量依然要与a的个数进行匹配才行，否则会报错。

（4）当a的维数和choices的维数都是多维的时候——a为2维，choices为2维

dd=np.choose([[4,2,1,3,0],[3,4,2,0,1],[0,2,1,4,3]],[[11,22,33,32,31],[44,55,66,65,64],[77,88,99,98,97],[111,222,333,332,331],[444,555,666,665,664]])print(dd)

运行结果为：

[[444 88 66 332 31]
[111 555 99 32 64]
[ 11 88 66 665 331]] #运算过程同上面的（3）是类似的

总结：从上面的几个例子可以看出，choose最终的输出结果是和 a 一样的。a中的数值不能超过choices的索引值，但是没有要求一定要a和choices维度相同。

3、choose的综合应用

a=[[1,0,2],[2,1,0],[2,0,1]]
c1=[[1,2,3],[4,5,6],[7,8,9]]
c2=[[11,22,33],[44,55,66],[77,88,99]]
choices=[c1,100,c2]
result=np.choose(a,choices)
print(result)

运行结果为：

[[100 2 33]
[ 44 100 6]
[ 77 8 100]] #原理同上

再例如：

a = [[1, 0, 1], [0, 1, 0], [1, 0, 1]]
choices = [-10, 10]
result=np.choose(a, choices)
print(result)

结果为：

[[ 10, -10, 10],
[-10, 10, -10],
[ 10, -10, 10]]

numpy高级函数操作之——select、choose相关推荐

总结了12个Numpy高级函数，完美解决数据处理，拿来即用！
作者 | 黄伟呢责编 | 欧阳姝黎原本是不想专门讲述Numpy函数的,但是今天又有人问起.为此给大家总结了这12个Numpy高级函数,大家一定要掌握,因为它真的很好用!很好用!很好用! ...
读取mysql数据到select_MySQL数据库8（十三）高级数据操作之select指令
查询数据完整的查询指令: select select选项字段列表 from 数据源 where 条件 group by 分组 having 条件 order by 排序 limit 限制 se ...
python数组去重函数_Python科学计算库Numpy之数组操作
操作ndarray 的方法 numpy.reshape:这个函数在不改变数据的条件下修改形状 numpy.ndarray.flat:该函数返回数组上的一维迭代器,行为类似 Python 内建的迭代器 ...
Numpy高级操作大全！！！
文章目录一.数组上的迭代二.数组形状修改函数 1.ndarray.reshape 2.ndarray.flat 3.ndarray.flatten 三.数组翻转操作函数 1.numpy.trans ...
Numpy 高级操作大全
作者:CSDN-逐梦er blog.csdn.net/qq_43328040/article/details/108700665 一.数组上的迭代 NumPy 包含一个迭代器对象numpy.ndite ...
这 10 种Numpy高级操作你都会吗？
来源: CSDN-逐梦er 一.数组上的迭代 NumPy 包含一个迭代器对象numpy.nditer.它是一个有效的多维迭代器对象,可以用于在数组上进行迭代.数组的每个元素可使用 Python 的标准 ...
【numpy操作】numpy的函数
文章目录前言一.数组的拼接与切分 1 np.hstack()和np.vstack() 2 np.hsplit()和np.vsplit() 二. numpy其他函数 1.np.hypot(x1,x2 ...
numpy高级教程之np.where和np.piecewise
欢迎关注"勇敢AI"公众号,更多python学习.数据分析.机器学习.深度学习原创文章与大家分享,还有更多电子资源.教程.数据集下载.勇敢AI,一个专注于人工智能AI的公众号. = ...
numpy、pandas操作
numpy.pandas操作 pandas介绍 numpy介绍及使用 numpy简介 numpy使用 Pandas操作 Pandas数据结构 Series结构:列表,会自动创建索引 Series的创建 ...

numpy高级函数操作之——select、choose

一、什么是np.select()

二、np.choose()函数

numpy高级函数操作之——select、choose相关推荐

最新文章

热门文章