NumPy入门基础语法学习9

操作布尔数组

给定一个布尔数组，你可以实现很多有用的操作。首先打印出此前生成

的二维数组 x ：

 

print(x)

[[5 0 3 3]
 [7 9 3 5]
 [2 4 7 6]]

01. 统计记录的个数

如果需要统计布尔数组中 True 记录的个数，可以使用

np.count_nonzero 函数：

 

我们看到有 8 个数组记录是小于 6 的。另外一种实现方式是利用

np.sum 。在这个例子中， False 会被解释成 0 ， True 会被解释成

1 ：

 

np.sum(x < 6)

8

sum() 的好处是，和其他 NumPy 聚合函数一样，这个求和也可以

沿着行或列进行：

 

 

# 每行有多少值小于6？
np.sum(x < 6, axis=1)

array([4, 2, 2])

这是矩阵中每一行小于 6 的个数。如要快速检查任意或者所有这些值是否为 True ，可以用（你一定

猜到了）

# 有没有值大于8？
 np.any(x > 8)

True

 # 有没有值小于0？
 np.any(x < 0)

 False

 # 是否所有值都小于10？
 np.all(x < 10)

 True

# 是否所有值都等于6？ 
np.all(x == 6) 

 False

np.all() 和 n p.any() 也可以用于沿着特定的坐标轴，例如：

# 是否每行的所有值都小于8？
 np.all(x < 8, axis=1)
 
 array([ True, False, True], dtype=bool)

这里第 1 行和第 3 行的所有元素都小于 8 ，而第 2 行不是所有元素都小于 8 。最后需要提醒的是，

Python 有内置的 sum() 、 any() 和 all() 函数，这些函数在 NumPy 中有不同的语

法版本。如果在多维数组上混用这两个版本，会导致失败或产生不

可预知的错误结果。因此，确保在以上的示例中用的都是

np.sum() 、 np.any() 和 np.all() 函数。

 

02. 布尔运算符

这可以通过 Python 的逐位逻辑运算符（ bitwise logic operator ） & 、 | 、 ^ 和 ~ 来实现。同标准的算术运算符一样，

NumPy 用通用函数重载了这些逻辑运算符，这样可以实现数组的 逐位运算（通常是布尔运算）。

例如，可以写如下的复合表达式：

 np.sum((inches > 0.5) & (inches < 1)) 

 29

可以看到，降水量在 0.5 英寸 ~1 英寸间的天数是 29 天。

请注意，这些括号是非常重要的，因为有运算优先级规则。如果去

掉这些括号，该表达式会变成以下形式，这会导致运行错误：

 

利用 A AND B 和 NOT (A OR B) 的等价原理（你应该在基础逻辑

课程中学习过），可以用另外一种形式实现同样的结果：

 

将比较运算符和布尔运算符合并起来用在数组上，可以实现更多有

效的逻辑运算操作。以下表格总结了逐位的布尔运算符和其对应的通用函数。

 

利用这些工具，就可以回答那些关于天气数据的问题了。以下的示

例是结合使用掩码和聚合实现的结果计算：

 print("Number days without rain: ", np.sum(inches == 0))
 print("Number days with rain: ", np.sum(inches != 0)) 
 print("Days with more than 0.5 inches:", np.sum(inches > 0.5)) 
 print("Rainy days with < 0.1 inches :", np.sum((inches > 0) & (inches < 0.2)

 Number days without rain: 215
 Number days with rain: 150
 Days with more than 0.5 inches: 37 
 Rainy days with < 0.1 inches : 75

2.6.4 将布尔数组作为掩码

在前面的小节中，我们看到了如何直接对布尔数组进行聚合计算。一种

更强大的模式是使用布尔数组作为掩码，通过该掩码选择数据的子数据

集。以前面小节用过的 x 数组为例，假设我们希望抽取出数组中所有小

于 5 的元素：

 

 

如前面介绍过的方法，利用比较运算符可以得到一个布尔数组：

 

 x < 5 

 array([[False, True, True, True],
        [False, False, True, False], 
        [ True, True, False, False]], dtype=bool)

现在为了将这些值从数组中选出，可以进行简单的索引，即掩码操作：

x[x < 5] 

array([0, 3, 3, 3, 2, 4])

现在返回的是一个一维数组，它包含了所有满足条件的值。换句话说，

所有的这些值是掩码数组对应位置为 True 的值。现在，可以对这些值做任意操作，例如可以根据西雅图降水数据进行一

些相关统计：

 # 为所有下雨天创建一个掩码
 rainy = (inches > 0) 
 # 构建一个包含整个夏季日期的掩码（6月21日是第172天）
 summer = (np.arange(365) - 172 < 90) & (np.arange(365) - 172 > 0)

print("Median precip on rainy days in 2014 (inches): ", np.median(inches[rainy]))

print("Median precip on summer days in 2014 (inches): ", np.median(inches[summer])) 

print("Maximum precip on summer days in 2014 (inches): ", np.max(inches[summer]))

print("Median precip on non-summer rainy days (inches):", np.median(inches[rainy & ~summer])) 

 Median precip on rainy days in 2014 (inches): 0.194881889764
 Median precip on summer days in 2014 (inches): 0.0 
 Maximum precip on summer days in  2014 (inches): 0.850393700787 
 Median precip on non-summer rainy days (inches): 0.200787401575

通过将布尔操作、掩码操作和聚合结合，可以快速回答对数据集提出的

这类问题。使用关键字 and / or 与使用逻辑操作运算符 & / | 人们经常困惑于关键字 and 和 or ，以及逻辑操作运算符 & 和 | 的

区别是什么，什么时候该选择哪一种？

 

它们的区别是： and 和 or 判断整个对象是真或假，而 & 和 | 是指

每个对象中的比特位。当你使用 and 或 or 时，就等于让 Python 将这个对象当作整个布尔

实体。在 Python 中，所有非零的整数都会被当作是 True ：

 

当你对整数使用 & 和 | 时，表达式操作的是元素的比特，将 and

或 or 应用于组成该数字的每个比特：

 

 

请注意， & 和 | 运算时，对应的二进制比特位进行比较以得到最终结果。

当你在 NumPy 中有一个布尔数组时，该数组可以被当作是由比特

 

字符组成的，其中 1 = True 、 0 = False 。这样的数组可以用上

面介绍的方式进行 & 和 | 的操作：

 

A = np.array([1, 0, 1, 0, 1, 0], dtype=bool) 
B = np.array([1, 1, 1, 0, 1, 1], dtype=bool)
A | B

array([ True,  True,  True, False,  True,  True])

而用 or 来计算这两个数组时， Python 会计算整个数组对象的真或

假，这会导致程序出错：

 

 

同样，对给定

数组进行逻辑运算时，你也应该使用 | 或 & ，而不是

or 或 and ：

 

 

如果试图计算整个数组的真或假，程序也同样会给出 ValueError

的错误：

因此可以记住： and 和 or 对整个对象执行单个布尔运算，而 & 和

| 对一个对象的内容（单个比特或字节）执行多个布尔运算。对于

NumPy 布尔数组，后者是常用的操作。