假设我有一个 numpy 数组 x = [5, 2, 3, 1, 4, 5]、y = ['f', 'o', 'o', 'b', 'a', 'r']。我想选择y中大于1小于5的元素对应x中的元素。
我试过了
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']
但这不起作用。我该怎么做？
【问题讨论】：
如果您添加括号，您的表达式有效：
>>> y[(1 < x) & (x < 5)]
array(['o', 'o', 'a'],
dtype='|S1')
【讨论】：
& 的优先级高于 < 和 >，而后者又高于（逻辑）and。 x > 1 and x < 5 先评估不等式，然后评估逻辑合取； x > 1 & x < 5 计算 1 和（中的值）x 的按位连接，然后计算不等式。 (x > 1) & (x < 5) 强制首先评估不等式，因此所有操作都按预期顺序进行，并且结果都是明确定义的。 See docs here.
(0 < x) & (x < 10)（如答案所示）而不是0 < x < 10，这不适用于任何Python版本上的numpy数组。
IMO OP 实际上并不想要 np.bitwise_and() (aka &)，但实际上想要 np.logical_and()，因为他们正在比较诸如 True 和 False 之类的逻辑值 - 请参阅 logical vs. bitwise 上的此 SO 帖子以查看差异。
>>> 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')
等效的方法是使用np.all()，通过适当地设置axis 参数。
>>> output = y[np.all([x > 1, x < 5], axis=0)] # desired output is ['o','o','a']
>>> output
array(['o', 'o', 'a'],
dtype='|S1')
按数字：
>>> %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
所以使用np.all() 比较慢，但& 和logical_and 差不多。
【讨论】：
output = y[np.logical_and(x > 1, x < 5)] 中，x < 5 被 求值（可能创建一个巨大的数组），即使它是第二个参数，因为该求值发生在函数之外。 IOW，logical_and 被传递了两个已经评估过的参数。这与a and b 的通常情况不同，在这种情况下，如果a 为真，则不会评估b。
| (aka np.bitwise_or) 也可能有效，例如：(a < b) | (a > c)
向@J.F. 添加一个细节。 Sebastian 和@Mark Mikofski 的回答：
如果想得到对应的索引（而不是数组的实际值），下面的代码就可以了：
为了满足多个（所有）条件：
select_indices = np.where( np.logical_and( x > 1, x < 5) )[0] # 1 < x <5
满足多个（或）条件：
select_indices = np.where( np.logical_or( x < 1, x > 5 ) )[0] # x <1 or x >5
【讨论】：
(the array of indices you want,)，所以你需要select_indices = np.where(...)[0] 来获得你想要和期望的结果。
我喜欢将np.vectorize 用于此类任务。考虑以下几点：
>>> # 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')
优点是您可以在矢量化函数中添加更多类型的约束。
希望对你有帮助。
【讨论】：
其实我会这样做：
L1是满足条件1的元素的索引列表；（或许你可以使用somelist.index(condition1)或者np.where(condition1)来获取L1。）
同样，你得到 L2，一个满足条件 2 的元素列表；
然后你使用intersect(L1,L2)找到交集。
如果满足多个条件，还可以找到多个列表的交集。
然后您可以在任何其他数组中应用索引，例如 x。
【讨论】：
对于二维数组，您可以这样做。使用条件创建 2D 蒙版。将条件掩码类型转换为 int 或 float，具体取决于数组，并将其与原始数组相乘。
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.]])
【讨论】：