本文主要和大家介绍了详解Python中where()函数的用法，小编觉得挺不错的，现在分享给大家，也给大家做个参，希望能帮助到大家。

where()的用法

首先强调一下，where()函数对于不同的输入，返回的只是不同的。

1当数组是一维数组时，返回的值是一维的索引，所以只有一组索引数组

2当数组是二维数组时，满足条件的数组值返回的是值的位置索引，因此会有两组索引数组来表示值的位置

例如

>>>b=np.arange(10)

>>>b

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

>>>np.where(b>5)

(array([6, 7, 8, 9], dtype=int64),)

>>>a=np.reshape(np.arange(20),(4,5))

>>>a

array([[ 0, 1, 2, 3, 4],

[ 5, 6, 7, 8, 9],

[10, 11, 12, 13, 14],

[15, 16, 17, 18, 19]])

>>>np.where(a>10)

(array([2, 2, 2, 2, 3, 3, 3, 3, 3], dtype=int64),

array([1, 2, 3, 4, 0, 1, 2, 3, 4], dtype=int64))

对numpy标准库里的解释做一个介绍：

numpy.where(condition[, x, y])

基于条件condition，返回值来自x或者y.

如果.参数:condition : 数组，bool值

When True, yield x, otherwise yield y.

x, y : array_like, 可选

x与y的shape要相同，当condition中的值是true时返回x对应位置的值，false是返回y的

返回值:out : ndarray or tuple of ndarrays

①如果参数有condition，x和y，它们三个参数的shape是相同的。那么，当condition中的值是true时返回x对应位置的值，false是返回y的。

②如果参数只有condition的话，返回值是condition中元素值为true的位置索引，切是以元组形式返回，元组的元素是ndarray数组，表示位置的索引

>>> np.where([[True, False], [True, True]],

... [[1, 2], [3, 4]],

... [[9, 8], [7, 6]])

array([[1, 8],

[3, 4]])

>>>

>>> np.where([[0, 1], [1, 0]])

(array([0, 1]), array([1, 0]))

>>>

>>> x = np.arange(9.).reshape(3, 3)

>>> np.where( x > 5 )

(array([2, 2, 2]), array([0, 1, 2]))

>>> x[np.where( x > 3.0 )] # Note: result is 1D.

array([ 4., 5., 6., 7., 8.])

>>> np.where(x < 5, x, -1) # Note: broadcasting.

array([[ 0., 1., 2.],

[ 3., 4., -1.],

[-1., -1., -1.]])

Find the indices of elements of x that are in goodvalues.

>>>

>>> goodvalues = [3, 4, 7]

>>> ix = np.in1d(x.ravel(), goodvalues).reshape(x.shape)

>>> ix

array([[False, False, False],

[ True, True, False],

[False, True, False]], dtype=bool)

>>> np.where(ix)

(array([1, 1, 2]), array([0, 1, 1]))

两种方法的示例代码

第一种用法

np.where(conditions,x,y)

if (condituons成立)：

数组变x

else:

数组变y

import numpy as np

'''

x = np.random.randn(4,4)

print(np.where(x>0,2,-2))

#试试效果

xarr = np.array([1.1,1.2,1.3,1.4,1.5])

yarr = np.array([2.1,2.2,2.3,2.4,2.5])

zarr = np.array([True,False,True,True,False])

result = [(x if c else y)

for x,y,c in zip(xarr,yarr,zarr)]

print(result)

#where()函数处理就相当于上面那种方案

result = np.where(zarr,xarr,yarr)

print(result)

'''

#发现个有趣的东西

# #处理2组数组

# #True and True = 0

# #True and False = 1

# #False and True = 2

# #False and False = 3

cond2 = np.array([True,False,True,False])

cond1 = np.array([True,True,False,False])

#第一种处理 太长太丑

result = []

for i in range(4):

if (cond1[i] & cond2[i]): result.append(0);

elif (cond1[i]): result.append(1);

elif (cond2[i]): result.append(2);

else : result.append(3);

print(result)

#第二种 直接where() 很快很方便

result = np.where(cond1 & cond2,0,np.where(cond1,1,np.where(cond2,2,3)))

print(result)

#第三种 更简便(好像这跟where()函数半毛钱的关系都没有

result = 1*(cond1 & -cond2)+2*(cond2 & -cond1)+3*(-(cond1 | cond2)) (没想到还可以这么表达吧)

print(result)

第二种用法

where(conditions)

相当于给出数组的下标

x = np.arange(16)

print(x[np.where(x>5)])

#输出：(array([ 6, 7, 8, 9, 10, 11, 12, 13, 14, 15], dtype=int64),)

x = np.arange(16).reshape(-1,4)

print(np.where(x>5))

#(array([1, 1, 2, 2, 2, 2, 3, 3, 3, 3], dtype=int64), array([2, 3, 0, 1, 2, 3, 0, 1, 2, 3], dtype=int64))

#注意这里是坐标是前面的一维的坐标，后面是二维的坐标

ix = np.array([[False, False, False],

[ True, True, False],

[False, True, False]], dtype=bool)

print(np.where(ix))

#输出：(array([1, 1, 2], dtype=int64), array([0, 1, 1], dtype=int64))