我正在玩 numpy 并挖掘文档，我发现了一些魔法。即我说的是numpy.where()：
>>> x = np.arange(9.).reshape(3, 3)
>>> np.where( x > 5 )
(array([2, 2, 2]), array([0, 1, 2]))
他们如何在内部实现您能够将x > 5 之类的内容传递给方法？我想这与__gt__ 有关，但我正在寻找详细的解释。
【问题讨论】：
标签： python numpy magic-methods
他们如何在内部实现您能够将 x > 5 之类的内容传递给方法？
简短的回答是他们没有。
对 numpy 数组的任何类型的逻辑操作都会返回一个布尔数组。 （即__gt__、__lt__ 等都返回给定条件为真的布尔数组）。
例如
x = np.arange(9).reshape(3,3)
print x > 5
产量：
array([[False, False, False],
[False, False, False],
[ True, True, True]], dtype=bool)
如果x 是一个numpy 数组，这与if x > 5: 之类的东西会引发ValueError 的原因相同。它是一组真/假值，而不是单个值。
此外，numpy 数组可以由布尔数组索引。例如。在这种情况下，x[x>5] 产生 [6 7 8]。
老实说，您实际上很少需要 numpy.where，但它只返回布尔数组为 True 的索引。通常你可以用简单的布尔索引来做你需要的事情。
【讨论】：
numpy.where 确实有 2 种“操作模式”，第一个返回 indices，其中 condition is True 以及是否存在可选参数 x 和 y (与condition 相同的形状，或可广播到这种形状！），当condition is True 时，它将返回来自x 的值，否则来自y。因此，这使where 更加通用，并使其可以更频繁地使用。谢谢
[] 的__getitem__ 语法超过numpy.where 或numpy.take 也会产生开销。由于__getitem__ 还必须支持切片，因此存在一些开销。在使用 Python Pandas 数据结构和对非常大的列进行逻辑索引时，我看到了明显的速度差异。在这些情况下，如果您不需要切片，那么 take 和 where 实际上会更好。
旧答案 这有点令人困惑。它为您提供了您的陈述正确的位置（所有这些位置）。
所以：
>>> a = np.arange(100)
>>> np.where(a > 30)
(array([31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47,
48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64,
65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81,
82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98,
99]),)
>>> np.where(a == 90)
(array([90]),)
a = a*40
>>> np.where(a > 1000)
(array([26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42,
43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59,
60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76,
77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93,
94, 95, 96, 97, 98, 99]),)
>>> a[25]
1000
>>> a[26]
1040
我将它用作 list.index() 的替代方法，但它也有许多其他用途。我从未将它与二维数组一起使用过。
http://docs.scipy.org/doc/numpy/reference/generated/numpy.where.html
新答案 这个人似乎在问一些更根本的问题。
问题是您如何实现某些功能，让函数（例如 where）知道请求的内容。
首先请注意，调用任何比较运算符都会做一件有趣的事情。
a > 1000
array([False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True`, True, True, True, True, True, True, True, True, True], dtype=bool)`
这是通过重载“__gt__”方法来完成的。例如：
>>> class demo(object):
def __gt__(self, item):
print item
>>> a = demo()
>>> a > 4
4
如您所见，“a > 4”是有效代码。
您可以在此处获取所有重载函数的完整列表和文档：http://docs.python.org/reference/datamodel.html
令人难以置信的是，这样做是多么简单。 python中的所有操作都是以这种方式完成的。说 a > b 等价于 a.gt(b)!
【讨论】：
np.where(a > 30 and a < 50) 或 np.where(30 < a < 50) 因为它最终试图评估逻辑 AND两个布尔数组，这是毫无意义的。有没有办法用np.where写这样的条件？
np.where((a > 30) & (a < 50))
np.where 返回一个长度等于调用它的 numpy ndarray 的维度的元组（换句话说，ndim），元组的每个项目都是初始中所有这些值的索引的 numpy ndarray条件为真的ndarray。 （请不要将尺寸与形状混淆）
例如：
x=np.arange(9).reshape(3,3)
print(x)
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
y = np.where(x>4)
print(y)
array([1, 2, 2, 2], dtype=int64), array([2, 0, 1, 2], dtype=int64))
y 是长度为 2 的元组，因为 x.ndim 是 2。元组中的第一项包含所有大于 4 的元素的行号，第二项包含所有大于 4 的项的列号。如您所见，[1, 2,2,2] 对应行号 5,6,7,8，[2,0,1,2] 对应列号 5,6,7,8
请注意，ndarray 是沿第一维（按行）遍历的。
同样，
x=np.arange(27).reshape(3,3,3)
np.where(x>4)
将返回一个长度为 3 的元组，因为 x 有 3 个维度。
但是等等，np.where 还有更多内容！
当两个额外的参数被添加到np.where；它将对上述元组获得的所有成对行列组合进行替换操作。
x=np.arange(9).reshape(3,3)
y = np.where(x>4, 1, 0)
print(y)
array([[0, 0, 0],
[0, 0, 1],
[1, 1, 1]])
【讨论】：