numpy条件选择

numpy 的条件筛选

筛选基础

数组切片

我们一般都知道 python 的 [ ] 操作符可以进行切片操作,举例如下:

arr = [1,2,3]
#切片操作参数介绍：[起始位置下标（默认最开始）:结束位置下标(默认最后):步长(默认为一)]
arr[0:2]
# [1,2]

arr[0:2:2]
# [1,3]

# 当步长为-1时，能够逆置数组
arr[::-1]
# [3,2,1]

下面是 ndarray 二维数组的例子

单列/行筛选

arr = [
[1,2,3,4],
[4,5,6,7]
]
arr = np.array(arr)
# 单列筛选
# 列筛选，第一个冒号不能省略
arr[:,0] # 选择下标为0的列
# [1,4]

# 单行筛选
arr[0] # 选择下标为0的行，就像普通的二维数组访问第一个一维数组一样
# [1,2,3,4]

多行/列筛选

arr = [
[1,2,3,4],
[4,5,6,7]
]
arr = np.array(arr)
# 多列筛选
	# 选择某个下标区间的列
arr[:,0:2]
# [
# [1,2],
# [4,5]
# ]
	# 选择某些列
arr[:,[0,3]] # 选择下标为 0，3的列
# [
# [1,4],
# [4,7]
# ]
	# bool选择
	# bool数组的  长度  必须要与列的  维数相同
arr[:,[True,False,False,False]]
# [
# [1],
# [4]
# ]

# 多行筛选
# 与多列筛选类似
arr = np.array([
[1,2,3,4],
[4,5,6,7],
[8,9,10,11]
])
	# 选择某些行
arr[[0,1]]
# [[
# [1,2,3,4],
# [4,5,6,7]
# ]]
	# 其余就不在赘述，可以字行测试

条件筛选

通过上面的一些基本的筛选规则，可以大致了解了 numpy 的筛选原则了，那么下面就看一 numpy 比较强大的条件筛选吧。而条件筛选就是依赖 bool 筛选实现的。

条件筛选行

arr = np.array([
[1,2,3,4],
[4,5,6,7],
[8,9,10,11]
])

# 例如：选择第一个元素为偶数的行
arr[arr[:,0]%2==0]
# [[ 4,  5,  6,  7],
#  [ 8,  9, 10, 11]]

我们可以看一下上面发生了什么。
首先: arr[:,0]x 选择除了二维数组的第一列—–[1,4,8]
然后: arr[:,0]%2==0 得到了一个 bool 数组—–[False,True,True]
最后 arr[[False,True,True]],这个样子是不是有点熟悉了，也就是上面的 bool 筛选。

条件筛选列

# 与行筛选类似
arr[:,arr[1]>5] # 选择第二行中大于5的列
# [[ 3,  4],
#  [ 6,  7],
#  [10, 11]]

行列一起选择

arr[arr>5] # 选择arr中，大于5的元素
# 其中arr>5得到一个二维的bool数组
# [[False, False, False, False],
#  [False, False,  True,  True],
#  [ True,  True,  True,  True]]
# 最终结果是一个一维数组
# [ 6,  7,  8,  9, 10, 11]

注意：在进行行列一起选择时，可能会有元素类型不一致的情况，如第一列 int，第二列是 str，这样再用 arr>5 就会出现错误。

多条件选择

arr[(arr>5) & (arr%2==0)] # 选择大于5且为偶数的元素
# [ 6,  8, 10]

注意：多条件要用（）括起每一个条件，逻辑关系用 | 或者 &，不能用 and,or 这样。