这篇教程np.where()[0] 和 np.where()[1]的具体使用写得很实用，希望能帮到您。
本文主要介绍了np.where()[0] 和 np.where()[1]的具体使用，以及np.where()的具体用法，废话不多说，具体如下： import numpy as np a = np.arange(12).reshape(3,4)print('a:', a)print('np.where(a > 5):', np.where(a > 5))print('a[np.where(a > 5)]:', a[np.where(a > 5)])print('np.where(a > 5)[0]:', np.where(a > 5)[0])print('np.where(a > 5)[1]:', np.where(a > 5)[1])print(a[np.where(a > 5)[0], np.where(a > 5)[1]])a: [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]]np.where(a > 5): (array([1, 1, 2, 2, 2, 2]), array([2, 3, 0, 1, 2, 3]))a[np.where(a > 5)]: [ 6 7 8 9 10 11]np.where(a > 5)[0]: [1 1 2 2 2 2]np.where(a > 5)[1]: [2 3 0 1 2 3][ 6 7 8 9 10 11] np.where()[0] 表示行索引，np.where()[1]表示列索引 numpy.where() 有两种用法：1. np.where(condition, x, y)
满足条件(condition)，输出x，不满足输出y。 如果是一维数组，相当于[xv if c else yv for (c,xv,yv) in zip(condition,x,y)] >>> aa = np.arange(10)>>> np.where(aa,1,-1)array([-1, 1, 1, 1, 1, 1, 1, 1, 1, 1]) # 0为False，所以第一个输出-1>>> np.where(aa > 5,1,-1)array([-1, -1, -1, -1, -1, -1, 1, 1, 1, 1])>>> np.where([[True,False], [True,True]], # 官网上的例子 [[1,2], [3,4]], [[9,8], [7,6]])array([[1, 8], [3, 4]]) 上面这个例子的条件为[[True,False], [True,False]]，分别对应最后输出结果的四个值。第一个值从[1,9]中选，因为条件为True，所以是选1。第二个值从[2,8]中选，因为条件为False，所以选8，后面以此类推。类似的问题可以再看个例子： >>> a = 10>>> np.where([[a > 5,a < 5], [a == 10,a == 7]], [["chosen","not chosen"], ["chosen","not chosen"]], [["not chosen","chosen"], ["not chosen","chosen"]])array([['chosen', 'chosen'], ['chosen', 'chosen']], dtype='<U10') 2. np.where(condition)
只有条件 (condition)，没有x和y，则输出满足条件 (即非0) 元素的坐标 (等价于numpy.nonzero)。这里的坐标以tuple的形式给出，通常原数组有多少维，输出的tuple中就包含几个数组，分别对应符合条件元素的各维坐标。 >>> a = np.array([2,4,6,8,10])>>> np.where(a > 5) # 返回索引(array([2, 3, 4]),) >>> a[np.where(a > 5)] # 等价于 a[a>5]array([ 6, 8, 10])>>> np.where([[0, 1], [1, 0]])(array([0, 1]), array([1, 0])) 上面这个例子条件中[[0,1],[1,0]]的真值为两个1，各自的第一维坐标为[0,1]，第二维坐标为[1,0] 。 下面看个复杂点的例子： >>> a = np.arange(27).reshape(3,3,3)>>> aarray([[[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8]], [[ 9, 10, 11], [12, 13, 14], [15, 16, 17]], [[18, 19, 20], [21, 22, 23], [24, 25, 26]]])>>> np.where(a > 5)(array([0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2]), array([2, 2, 2, 0, 0, 0, 1, 1, 1, 2, 2, 2, 0, 0, 0, 1, 1, 1, 2, 2, 2]), array([0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2]))# 符合条件的元素为 [ 6, 7, 8]], [[ 9, 10, 11], [12, 13, 14], [15, 16, 17]], [[18, 19, 20], [21, 22, 23], [24, 25, 26]]] 所以np.where会输出每个元素的对应的坐标，因为原数组有三维，所以tuple中有三个数组。 需要注意的一点是，输入的不能直接是list，需要转为array或者为array才行。比如range(10)和np.arange(10)后者返回的是数组，使用np.where才能达到效果。 到此这篇关于np.where()[0] 和 np.where()[1]的具体使用的文章就介绍到这了,更多相关np.where()[0] 和 np.where()[1]内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
python os模块和fnmatch模块的使用介绍
利用Pandas读取表格行数据判断是否相同的方法 |
