【NumPy】一文详细介绍 np.where()

最新推荐文章于 2025-03-19 14:55:19 发布

高斯小哥

最新推荐文章于 2025-03-19 14:55:19 发布

阅读量5.9k

点赞数 35

分类专栏： Numpy 文章标签： numpy python 新手入门 pytorch

本文链接：https://blog.csdn.net/qq_41813454/article/details/137396978

版权

Numpy 专栏收录该内容

73 篇文章

订阅专栏

【NumPy】一文详细介绍 np.where()
在这里插入图片描述

🌈 欢迎进入我的个人主页，我是高斯小哥！👈

🎓 博主档案： 广东某985本硕，SCI顶刊一作，深耕深度学习多年，熟练掌握PyTorch框架。

🔧 技术专长： 擅长处理各类深度学习任务，包括但不限于图像分类、图像重构(去雾\去模糊\修复)、目标检测、图像分割、人脸识别、多标签分类、重识别(行人\车辆)、无监督域适应、主动学习、机器翻译、文本分类、命名实体识别、知识图谱、实体对齐、时间序列预测等。业余时间，成功助力数百位用户解决技术难题，深受用户好评。

📝 博客风采： 我坚信知识分享的力量，因此在博客中倾注心血，分享深度学习、PyTorch、Python的优质内容。本年已发表原创文章300+，代码分享次数突破2w+，为广大读者提供了丰富的学习资源和实用解决方案。

💡 服务项目： 提供科研入门辅导（主要是代码方面）、知识答疑、定制化需求解决等服务，助力你的深度学习之旅（有需要可私信联系）。

🌟 期待与你共赴深度学习之旅，书写精彩篇章！感谢关注与支持！🚀

🔍一、NumPy简介与np.where()初探

NumPy（Numerical Python的简称）是Python中用于进行数值计算的扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。NumPy的核心功能是提供n维数组对象，其基础数据类型为ndarray，该类型是一个快速的、灵活的大数组容器，可以用于存储和处理大型数据集。

在NumPy中，np.where()是一个强大的函数，它根据条件对数组元素进行选择或替换。其基本语法为：np.where(condition[, x, y])。其中，condition是条件表达式，x和y是可选参数，表示满足条件和不满足条件时的返回值。

📚二、np.where()的基本用法

下面通过一个简单的例子来演示np.where()的基本用法：

import numpy as np

# 创建一个数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])

# 定义一个条件：找出数组中大于5的元素
condition = arr > 5

# 使用np.where()根据条件选择元素
result = np.where(condition, '大于5', '小于等于5')

print(result)  # 输出：['小于等于5' '小于等于5' '小于等于5' '小于等于5' '小于等于5' '大于5' '大于5' '大于5' '大于5']

在上面的例子中，我们首先创建了一个数组arr，然后定义了一个条件condition，即找出数组中大于5的元素。接着，我们使用np.where()函数，将满足条件的元素替换为字符串’大于5’，不满足条件的元素替换为’小于等于5’。最后，打印出结果数组result。

💡三、np.where()的高级用法

除了基本用法外，np.where()还可以结合其他NumPy函数进行更复杂的操作。下面介绍一些高级用法：

同时处理多个条件

可以通过逻辑运算符（如&、|）组合多个条件，并使用np.where()处理这些条件。

import numpy as np

# 创建两个数组
arr1 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
arr2 = np.array([9, 8, 7, 6, 5, 4, 3, 2, 1])

# 定义多个条件
condition1 = arr1 > 5
condition2 = arr2 < 4

# 使用np.where()处理多个条件
result = np.where((condition1 & condition2), '两者都满足', '至少有一个不满足')

print(result)  # 输出：['至少有一个不满足' '至少有一个不满足' '至少有一个不满足' '两者都满足' '两者都满足' '两者都满足' '两者都满足' '两者都满足' '两者都满足']

返回满足条件的元素索引

默认情况下，np.where()返回满足条件的元素值。如果想要返回满足条件的元素的索引，可直接对条件表达式使用np.where()。

import numpy as np

# 创建一个数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])

# 定义一个条件：找出数组中大于5的元素
condition1 = arr > 5

# 获取满足条件的元素索引
indices = np.where(condition1)

print(indices)  # 输出：(array([5, 6, 7, 8]),)

在数组中根据条件替换值

np.where()还可以直接在原数组上进行值替换。

import numpy as np

# 创建一个数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])

# 定义一个条件：找出数组中大于5的元素
condition1 = arr > 5

# 根据条件在数组中替换值
arr[np.where(condition1)] = -1

print(arr)  # 输出：[ 1  2  3  4  5 -1 -1 -1 -1]

🌈四、np.where()的应用场景

np.where()函数在数据处理和分析中有着非常广泛的应用。它可以帮助我们快速筛选出满足特定条件的元素，或者根据条件对元素进行替换。这在数据分析、机器学习、图像处理等领域都非常有用。

例如，在机器学习中，我们可能需要根据某个阈值将连续变量转换为二分类变量；在图像处理中，我们可以根据像素值的大小来筛选特定的区域或对象。

💼五、与其他函数的结合使用

np.where()函数经常与其他NumPy函数结合使用，以实现更复杂的数据操作和分析。以下是一些常见的结合使用方式：

与逻辑函数结合

使用np.logical_and、np.logical_or等逻辑函数与np.where()结合，可以实现更复杂的条件判断。

import numpy as np

# 创建两个数组
arr1 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
arr2 = np.array([9, 8, 7, 6, 5, 4, 3, 2, 1])

# 使用逻辑函数组合条件
condition_combined = np.logical_and(arr1 > 3, arr2 < 7)
result = np.where(condition_combined, '组合条件满足', '组合条件不满足')

print(result)  # 输出：['组合条件不满足' '组合条件不满足' '组合条件不满足' '组合条件满足' '组合条件满足' '组合条件满足' '组合条件不满足' '组合条件不满足' '组合条件不满足']

与统计函数结合

结合使用np.mean、np.sum等统计函数，可以在满足条件的子集上进行统计计算。

import numpy as np

# 创建一个数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])

# 定义一个条件：找出数组中大于5的元素
condition1 = arr > 5

# 计算满足条件的元素的平均值
mean_value = np.mean(arr[condition1])
print(mean_value)

与排序函数结合

使用np.argsort或np.sort对数组进行排序后，结合np.where()可以选择排序后的特定元素。

import numpy as np

# 创建一个数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])

# 对数组进行排序，并获取排序后的索引
sorted_indices = np.argsort(arr)

# 选择排序后前三个元素的索引
top_three_indices = np.where(sorted_indices < 3)[0]

print(top_three_indices)  # 输出：数组中的最小三个元素的索引