Numpy中的数组搜索中np.where方法详细介绍
本文详细介绍Numpy库中np.where函数的两种核心用法：带x,y参数的条件选择与仅带condition参数的坐标提取。通过一维及多维数组示例，解析其返回值机制及与np.searchsorted的区别，并补充奇偶数筛选案例，帮助开发者掌握Numpy数组搜索技巧。
numpy.where (condition[, x, y])
在Numpy库中，np.where()函数主要提供两种使用方式：
1. np.where(condition, x, y)
当满足指定条件(condition)时，返回对应位置的x值；若不满足条件，则返回y值。
对于一维数组，该操作等价于列表推导式：[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]])以上示例中的条件矩阵为[[True,False], [True,False]]，分别对应最终输出结果的四个元素。例如第一个元素从[1,9]中选取，因条件为True，故取1；第二个元素从[2,8]中选取，因条件为False，故取8，后续元素依此类推。可参考以下示例进一步理解：
>>> 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)
当仅传入条件参数(condition)而未指定x和y时，函数将返回满足条件（即非零值）元素的坐标，其功能等同于numpy.nonzero。返回值以元组形式呈现，元组中数组的数量通常与原数组的维度数一致，分别对应符合条件元素在各维度的坐标索引。
>>> 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]))
在上述示例中，条件矩阵[[0,1],[1,0]]中的非零元素为两个1，其第一维坐标分别为[0,1]，第二维坐标分别为[1,0]。
接下来观察一个更为复杂的案例：
>>> a = np.arange(27).reshape(3,3,3)
>>> a
array([[[ 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]]]由此可见，np.where会返回每个符合条件元素对应的多维坐标。由于原数组为三维结构，因此返回的元组中包含三个数组，分别对应各维度的索引。
补充说明
np.where与np.searchsorted均属于Numpy数组搜索功能的组成部分，此处先对基础的where方法进行介绍。
import numpy as np
a = np.array([1, 2, 3, 4, 5])
b = np.where(a == 5)
print(b)
需要注意的是，np.where方法最终返回的是一个元组对象。
(array([4]),)此外，本文还将介绍一种利用该方法筛选数组中奇数和偶数的技巧（以下示例均基于前文定义的a数组）。
可以看出，通过简单的取余判断即可实现筛选。
c = np.where(a%2 == 0)
print(c)
d = np.where(a%2 == 1)
print(d)
运行结果如下：
(array([1, 3]),)
(array([0, 2, 4]),)关于np.where方法的介绍至此结束。
感谢阅读这篇关于Numpy中np.where方法的详细介绍。如需了解更多相关Numpy np.where内容，请查阅本站往期文章或继续浏览后续相关文章，希望本文能为您提供帮助。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
