Bagaimana cara memilih elemen dari kondisi yang diberikan array?

Misalkan saya punya array numpy x = [5, 2, 3, 1, 4, 5], y = ['f', 'o', 'o', 'b', 'a', 'r']. Saya ingin memilih elemen yang ysesuai dengan elemen dalamx yang lebih besar dari 1 dan kurang dari 5.

Saya mencoba

x = array([5, 2, 3, 1, 4, 5])
y = array(['f','o','o','b','a','r'])
output = y[x > 1 & x < 5] # desired output is ['o','o','a']

tetapi ini tidak berhasil. Bagaimana saya melakukan ini?

Ekspresi Anda berfungsi jika Anda menambahkan tanda kurung:

>>> y[(1 < x) & (x < 5)]
array(['o', 'o', 'a'], 
      dtype='|S1')

IMO OP tidak benar-benar ingin np.bitwise_and()(alias &) tetapi sebenarnya ingin np.logical_and()karena mereka membandingkan nilai-nilai logis seperti Truedan False- lihat posting SO ini pada logis vs bitwise untuk melihat perbedaannya.

>>> x = array([5, 2, 3, 1, 4, 5])
>>> y = array(['f','o','o','b','a','r'])
>>> output = y[np.logical_and(x > 1, x < 5)] # desired output is ['o','o','a']
>>> output
array(['o', 'o', 'a'],
      dtype='|S1')

Dan cara yang setara untuk melakukan ini adalah dengan np.all()mengatur axisargumen dengan tepat.

>>> output = y[np.all([x > 1, x < 5], axis=0)] # desired output is ['o','o','a']
>>> output
array(['o', 'o', 'a'],
      dtype='|S1')

dengan angka:

>>> %timeit (a < b) & (b < c)
The slowest run took 32.97 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 1.15 µs per loop

>>> %timeit np.logical_and(a < b, b < c)
The slowest run took 32.59 times longer than the fastest. This could mean that an intermediate result is being cached.
1000000 loops, best of 3: 1.17 µs per loop

>>> %timeit np.all([a < b, b < c], 0)
The slowest run took 67.47 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 5.06 µs per loop

jadi menggunakan np.all()lebih lambat, tetapi &dan logical_andhampir sama.

Tambahkan satu detail ke jawaban @JF Sebastian dan @Mark Mikofski:
Jika seseorang ingin mendapatkan indeks yang sesuai (bukan nilai aktual array), kode berikut akan melakukannya:

Untuk memuaskan beberapa (semua) kondisi:

select_indices = np.where( np.logical_and( x > 1, x < 5) )[0] #   1 < x <5

Untuk memenuhi beberapa (atau) kondisi:

select_indices = np.where( np.logical_or( x < 1, x > 5 ) )[0] # x <1 or x >5

Saya suka menggunakan np.vectorizeuntuk tugas-tugas seperti itu. Pertimbangkan yang berikut ini:

>>> # Arrays
>>> x = np.array([5, 2, 3, 1, 4, 5])
>>> y = np.array(['f','o','o','b','a','r'])

>>> # Function containing the constraints
>>> func = np.vectorize(lambda t: t>1 and t<5)

>>> # Call function on x
>>> y[func(x)]
>>> array(['o', 'o', 'a'], dtype='<U1')

Keuntungannya adalah Anda dapat menambahkan lebih banyak jenis kendala dalam fungsi vektor.

Semoga ini bisa membantu.

Sebenarnya saya akan melakukannya dengan cara ini:

L1 adalah daftar indeks elemen yang memenuhi kondisi 1; (mungkin Anda dapat menggunakan somelist.index(condition1)atau np.where(condition1)untuk mendapatkan L1.)

Demikian pula, Anda mendapatkan L2, daftar elemen yang memenuhi syarat 2;

Kemudian Anda menemukan persimpangan menggunakan intersect(L1,L2).

Anda juga dapat menemukan persimpangan beberapa daftar jika Anda memenuhi beberapa persyaratan.

Kemudian Anda bisa menerapkan indeks di larik lain, misalnya, x.

Untuk array 2D, Anda bisa melakukan ini. Buat topeng 2D menggunakan kondisinya. Ketikkan masker kondisi ke int atau float, tergantung pada array, dan kalikan dengan array asli.

In [8]: arr
Out[8]: 
array([[ 1.,  2.,  3.,  4.,  5.],
       [ 6.,  7.,  8.,  9., 10.]])

In [9]: arr*(arr % 2 == 0).astype(np.int) 
Out[9]: 
array([[ 0.,  2.,  0.,  4.,  0.],
       [ 6.,  0.,  8.,  0., 10.]])