numpy 按条件给元素赋值np.where、np.clip

np.where(condition, [x, y])

属于numpy的元素选择函数
Parameters:
condition：条件，是一个类array的bool数组。个人根绝是一个bool mask。
x，y：类array数组。当condition是True时返回x，为False时返回y。x与必须同时给出或者同时不给出，不能只给出一个。当都不给出时，依据nonzero返回处理。
Returns:
1、当只给出condition时，返回一个tuple，该tuple就是满足condition的元素的index。tuple元素的个数是原来array的维度，一维一个元素，二维两个元素。每个元素对应位置数据组合起来就是满足condition的元素的index。
2、给出x和y，返回一个和condition相同形状的数组。这里x与y的shape很重要，而且由condition的shape决定。当condition是（k,m,n）时，x与y 的shape依赖condition的维度。x,y的shape如下如图：
当满足条件时，会根据x和y的维度取替换condition上的对应值。

使用举例1：

arr = np.arange(12).reshape(3,4)
arr
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

np.where(arr > 6)
(array([1, 2, 2, 2, 2], dtype=int64), array([3, 0, 1, 2, 3], dtype=int64))

  返回一个tuple，两个元素，因为arr的shape是（3,4）是二维的。第一个元素是行，第二个元素是列。第一个满足条件的元素的第1行第3列的元素，即元素7。

使用举例2：

np.where(arr > 6, 0, arr)
array([[0, 1, 2, 3],
       [4, 5, 6, 0],
       [0, 0, 0, 0]])

  满足条件的替换为0，不满足的返回arr中的值。从arr取值时是按照索引取选取的。这里要注意，当x或y的维度小于condition的维度时，忽略高维度的索引，比如忽略k，只根据m和n的值从x或y取数。个人理解就一句话：用同一个维度（粒度）上的数据取替换同一个维度（粒度）上的数据。
  实际操作中使用较多的还是用（k,m,n）原数组或者常数替换操作，即替换原来数组中的某些值。

---

np.clip(a, a_min, a_max, out=None)

Params：
a_min, a_max：整数、类array数组或者None，下面逐一解读。

• 整数时，将小于a_min的值替换为a_min。然后，将大于a_max的值替换为a_max。处于两者之间数保持不变。
• 类array时，当a的形状是（m，n），a_min、a_max是（m，1）、（m，）或者是（m，n）。通俗讲，要么给a中每一个一维数组中每一个元素提供一个比较值，要么给a中每个一维数组提供一个统计的比较值，要么提供一个与一维数组形状形同的数组，然后广播。扩展到3维也是一样的道理。
• None，当a_min为None时，表示小于amax的值保留原值。当a_max为None时，表示大于amin的值保留原值。 a_min和a_max只能有一个是None。

Returns:
返回一个与传入数组形状相同的数组。

举例：

arr
array([[ 7, -3, 12],
       [14,  0,  8]])

给二维数组中每一个数组传入一个统一的比较值

b
array([[1],
       [2]])

np.clip(arr,b,None)
array([[ 7,  1, 12],
       [14,  2,  8]])

传入一个和一维数组相同形状的数组，然后沿着轴0广播。

b
array([1, 4, 9])

np.clip(arr,b,arr)
array([[ 7,  4, 12],
       [14,  4,  9]])