先来看下相关的说明 : np.where(condition, [x, y]),这里三个参数,其中必写参数是condition(判断条件),后边的x和y是可选参数.那么这三个参数都有怎样的要求呢?

condition：array_like，bool ,当为True时，产生x，否则产生y

简单说,对第一个参数的要求是这样的,首先是数据类型的要求,类似于数组或者布尔值,当判断条件为真时返回x中的值,否则返回y中的值

x，y：array_like，可选,要从中选择的值。 x，y和condition需要可广播到某种形状

x和y是可选参数,并且对这两个参数的数据类型要求只有类似数组这一条,当条件判断为true或者false时从这两个类似数组的容器中取数.

还有很重要的一点就是对三个参数的要求是都可以广播,也就是说对参数的形状做出了要求,对condition来说,是布尔值的时候无所谓形状,当时类似数组的容器时,与x和y的形状需要满足可广播的条件.

OK,前边的纯文字讲解到此结束,下边,通过例子来直观感受下.容我偷个懒,直接用了帮助文档中的例子:

情况一 : 三个参数完整

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

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

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

返回值:

array([[1, 8],

[3, 4]])

来看一下这个结果是怎么产生的.

完全符合np.where的语法要求,包含了condition,x和y.官方文档说,对condition进行判断,如果判断结果为true则取x中的值,否则取y中的值.可以看出condition是和x以及y形状相同的二维类数组形式,根据条件进行判断:

条件中第0个元素中的第0个元素是true,那么取x中的相对应元素1;

条件中第0个元素中的第1个元素是false,那么取y中的相对应元素8;

条件中第1个元素中的第0个元素是ture,那么取x中相对应的元素3;

条件中第1个元素中的第1个元素是ture,那么取x中相对应的元素4;

所以最后的结果中取出的元素是1,8,3,4.

有些刚入门的小可爱可能会对前边条件中的true和false有疑问,感觉没有进行什么判断吖,其实这里是直接给了判断结果,在我们判断两个值大小的时候最终的结果就是true或者false对不对.

情况二 : 只有condition参数

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

返回结果:(array([0, 1], dtype=int64), array([1, 0], dtype=int64))

需要注意的是,返回的结果是符合条件的位置信息!

看起来这里的condition还不如上边例子的condition好理解,这个0和1是怎么回事儿呢?

在python中,除了0,空和false,其他值都是true,所以这里的condition实际上和这样写没什么两样np.where([[False, True], [True, False]]).上边例子中,根据条件的判断结果选择从x或者y中取值,现在没有x和y了,最终结果返回的就是判断结果为true的元素所在的位置信息.

来验证下,结果中的两个数组分别反映的是判断结果为true的元素坐在的行信息和列信息,也就是判断结果为真的元素所在的位置时第0个元素中的第1个位置和第1个元素中的第0个位置,这个例子有点迷惑性,不好理解,我写了另一个更显的例子看一下

这个例子中判断结果为true的元素有四个,就是那四个1,所以返回的结果就是四个位置信息.

其他常用使用方式

上边的两个例子很适合讲解原理用,然而实际工作中还有其他常用的使用方式

新建一个数组:

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

x

返回结果:

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

[3., 4., 5.],

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

筛选数组中符合条件的元素:

np.where( x > 5 )

返回结果:(array([2, 2, 2], dtype=int64), array([0, 1, 2], dtype=int64))

我们通过前边的例子知道只有一个条件参数时,返回的结果是判断结果为true的元素的位置信息,那么值大于5的元素在原数组中的位置就是第2个元素中的第0个元素,第2个元素中的第1个元素,第2个元素中的第2个元素,对应的是6,7,8这三个元素.

新的问题来了,我不想要位置信息,我想要元素值信息怎么办?

答案很简单,切片出来啊,比如我想要元素值大于3的所有元素:

x[np.where( x > 3.0 )]

返回结果:array([4., 5., 6., 7., 8.])

可以看出,切出的元素值是一维的数组,如果我想要切出的结果保持原数组的形状该怎么办呢?

铛铛铛,答案来了:

np.where(x < 5, x, -1)

返回结果:

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

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

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

其实这里很简单,就是把三个参数都写全了,如果判断结果为真就从x(也就是原数组)中取数,否则从y中取数,这里的y指定了一个数,也就是所有判断结果为false的元素全部填充为同一个特定值,保证了结果的形状和原数组形状一样

除了上面进行大小的判断,也可以进行元素是否包含在指定容器中的判断

这是数组x :

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

[3., 4., 5.],

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

新定义的目标列表和判断:

goodvalues = [3, 4, 7]

ix = np.isin(x, goodvalues)

ix

返回结果:

array([[False, False, False],

[ True, True, False],

[False, True, False]])

先通过np.isin来判断x中的元素是否在指定列表中,然后再通过np.where查找符合条件的位置信息:

np.where(ix)

返回结果:(array([1, 1, 2], dtype=int64), array([0, 1, 1], dtype=int64))

当然,如果不想要位置信息,需要元素值信息,可以直接切片出来,但是要搞清楚对谁进行切片哈,这里是判断x中的哪些元素同时包含于goodvalues中,所以是对x进行切片

x[np.where(ix)]

返回结果:array([3., 4., 7.])

以上是对np.where一些浅显的理解