Массив Numpy, как выбрать индексы, удовлетворяющие нескольким условиям?

предположим, что у меня есть массив numpy x = [5, 2, 3, 1, 4, 5],y = ['f', 'o', 'o', 'b', 'a', 'r']. Я хочу выбрать элементы в y соответствующих элементов x больше 1 и меньше 5.

пробовал

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']

но это не сработает. Как бы я это сделал?

5 93
python numpy

5 ответов:

ваше выражение работает, если добавить скобки:

>>> y[(1 < x) & (x < 5)]
array(['o', 'o', 'a'], 
      dtype='|S1')
152

IMO OP на самом деле не хочет np.bitwise_and() (Он же &) но на самом деле хочет np.logical_and() потому что они сравнивают логические значения, такие как True и False - смотрите этот пост на логические и побитовые чтобы увидеть разницу.

>>> 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')

и эквивалентный способ сделать это с np.all() установка axis соответствующее аргумент.

>>> output = y[np.all([x > 1, x < 5], axis=0)] # desired output is ['o','o','a']
>>> output
array(['o', 'o', 'a'],
      dtype='|S1')

по номера:

>>> %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

используя np.all() медленнее, но & и logical_and примерно то же самое.

28

добавьте одну деталь к ответам @ J. F. Sebastian и @Mark Mikofski:
Если вы хотите получить соответствующие индексы (а не фактические значения массива), следующий код будет делать:

для удовлетворения нескольких (всех) условия:

select_indices = np.where( np.logical_and( x > 1, x < 5) ) #   1 < x <5

для удовлетворения нескольких (или) условия:

select_indices = np.where( np.logical_or( x < 1, x > 5 ) ) # x <1 or x >5
15

мне нравится использовать np.vectorize для таких задач. Рассмотрим следующее:

>>> # 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')

преимущество заключается в том, что вы можете добавить еще много типов ограничений в векторизованной функции.

надеюсь, что это помогает.

4

на самом деле я бы сделал это так:

L1-это индексный список элементов, удовлетворяющих условию 1; (Возможно, вы можете использовать somelist.index(condition1) или np.where(condition1) чтобы получить L1.)

аналогично, вы получаете L2, список элементов, удовлетворяющих условию 2;

тогда вы найдете пересечение с помощью intersect(L1,L2).

вы также можете найти пересечение нескольких списков, если вы получаете несколько условий для удовлетворения.

затем вы можете применить индекс в любом другом массиве, например, x.

1