一、np.select函數
1.介紹
np.select 函數根據某些條件篩選某些元素。
使用語法為：
import numpy as np
np.select(condlist, choicelist, default=0)
# 返回列表
參數（必須寫成“列表”的形式）：
condlist -- 操作數據所依據的條件
choiselist -- 根據condlist條件所需要執行的操作
default -- 不滿足條件所執行的操作
2.傳統循環方法
使用循環、條件判斷的方法執行效率低下，可用 select 替代完成。
a = np.array([1,2,3,4,5,6,7,8,9,10])
result = []
for i in a:
if i < 6:
i += 10
else:
i = 100
result.append(i)
print(result)
# [11, 12, 13, 14, 15, 100, 100, 100, 100, 100]
3.單條件
a = np.array([1,2,3,4,5,6,7,8,9,10])
result2 = np.select([a < 6], [a + 10], default=100)
print(result2)
# array([ 11, 12, 13, 14, 15, 100, 100, 100, 100, 100])
對應元素滿足條件執行操作，否則返回默認值。
4.多條件、多操作
a = np.array([[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]])
b = np.array(range(25)).reshape(5,5) + 1
result2 = np.select([a<6, np.logical_and(a>10, a<16), a>20],
[a+10, a**2, a*10],
default=100)
result2
'''
array([[ 11, 12, 13, 14, 15],
[100, 100, 100, 100, 100],
[121, 144, 169, 196, 225],
[100, 100, 100, 100, 100],
[210, 220, 230, 240, 250]])
'''
每個條件中，對應為真才執行相應的操作，針對所有條件都不滿足元素，執行默認值default。
# 同時滿足
result3 = np.select([a<12, np.logical_and(a>10, a<16), a>20],
[a+10, a**2, a*10],
default=100)
result3
# 觀察元素11
'''
array([[ 11, 12, 13, 14, 15],
[ 16, 17, 18, 19, 20],
[ 21, 144, 169, 196, 225],
[100, 100, 100, 100, 100],
[210, 220, 230, 240, 250]])
'''
同時滿足多個條件下，優先執行條件一、條件二，依次選擇。
二、np.where函數
1.介紹
np.where 函數實現滿足條件，輸出x，不滿足條件輸出y。
使用語法為：
np.where(condition, x, y)
2.提供3個參數
如果全部數組都是一維數組，則等價於：
[xv if c else yv for c, xv, yv in zip(condition, x, y)]
一維數組實例
a = np.arange(10) # array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.where(a, 1, -1) # array([-1, 1, 1, 1, 1, 1, 1, 1, 1, 1])
np.where(a > 5, a, a*10) # array([ 0, 10, 20, 30, 40, 50, 6, 7, 8, 9])
多維數組同樣可以使用，取滿足條件的對應元素。
condition = [[True, False],
[True, True]]
x = [[1, 2], [3, 4]]
y = [[9, 8], [7, 6]]
np.where(condition, x, y)
'''
array([[1, 8],
[3, 4]])
'''
3.僅有condition參數
缺失x和y參數的情況下，則輸出滿足條件（非0）元素的坐標，等價於 np.asarray(condition).nonzero() 。
# 廣播機制 broadcast
a = np.array([2,4,6,8,10])
np.where(a > 5) # (array([2, 3, 4], dtype=int64),)
a[np.where(a > 5)] # array([ 6, 8, 10])
多維數組
a = np.arange(27).reshape(3,3,3)
'''
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],
dtype=int64),
array([2, 2, 2, 0, 0, 0, 1, 1, 1, 2, 2, 2, 0, 0, 0, 1, 1, 1, 2, 2, 2],
dtype=int64),
array([0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2],
dtype=int64))
'''
a[np.where(a >5)]
# array([ 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26])
np.where 輸出每個元素對應的坐標，原始數據是三維數組，則輸出3個數組的tuple。
三、np.choose函數
1.介紹
同樣的，np.choose 實現根據條件選擇相關元素，相比較 for if else 執行效率更高。
使用語法：
np.choose(a, choices, out=None, mode='raise')
參數：
a -- int類型數組 0~(n-1)之間的數
choices -- 被操作的數組 與a同維度
out -- 可選 接收運算結果的數組
mode -- 默認raise 表示數組元素不能超過n
clip 元素小於0 變為0 大於n-1 變為n-1
wrap value mode n 余數
2.實操
- 當a和choices相同維數（1維）
result = np.array([0,0,0,0,0])
a = np.choose([4,2,1,3,0], [11,22,33,44,55], out=result)
print(a) # array([55, 33, 22, 44, 11])
print(result) # array([55, 33, 22, 44, 11])
元素個數代表的是 choices 中的索引 index。
- 當a和choices相同維數（2維）
d = np.choose([[4,2,1,3,0],[3,4,2,0,1],[0,2,1,4,3]],
[[11,22,33,32,31],[44,55,66,65,64],[77,88,99,98,97],[111,222,333,332,331],[444,555,666,665,664]])
print(d)
'''
[[444 88 66 332 31]
[111 555 99 32 64]
[ 11 88 66 665 331]]
'''
內外層索引匹配。
- 當a的維數多於choices時
b = np.choose([[4,2,1,3,0],[3,4,2,0,1],[0,2,1,4,3]],[11,22,33,44,55])
print(b)
'''
[[55 33 22 44 11]
[44 55 33 11 22]
[11 33 22 55 44]]
'''
- 當a的維數少於choices時
c = np.choose([4,2,1,3,0],
[[11,22,33,32,31],[44,55,66,65,64],[77,88,99,98,97],[111,222,333,332,331],[444,555,666,665,664]])
print(c) # [444 88 66 332 31]
choices 最外層索引index與a匹配，內層索引默認從0開始，0、1、2、3、4、5逐漸遞增的。
鑒於此，choices的內層元素數量依然要與a的個數進行匹配才行，否則會報錯。
四、np.nonzero函數
np.nonzero 函數用於得到數組中非零元素的位置（數組索引）。
返回的索引值數組是一個2維tuple數組，該tuple數組中包含一維的array數組。
x = np.array([[3, 0, 0], [0, 4, 0], [5, 6, 0]])
print(x)
np.nonzero(x) # (array([0, 1, 2, 2], dtype=int64), array([0, 1, 0, 1], dtype=int64))
x[np.nonzero(x)] # array([3, 4, 5, 6])
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
np.nonzero(a > 3)
'''
(array([1, 1, 1, 2, 2, 2], dtype=int64),
array([0, 1, 2, 0, 1, 2], dtype=int64))
'''
參考鏈接：numpy高級函數操作之——select、choose
參考鏈接：numpy.select
參考鏈接：numpy.where() 用法詳解
參考鏈接：numpy.where
參考鏈接：numpy.nonzero