Bemind
Учебник Python
Учебник Python
  • Python
    • Python Lists
      • Списковые включения в Python (Полное руководство с примерами)
      • Исправление ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Как добавить строку в список в Python
      • Разница между массивами и списками в Python
      • Python: Различия между списками и кортежами
      • Как проверить, пуст ли список в Python
      • Как Итерировать (Циклически Проходить) По Списку в Python
      • Python List sort(): Подробное руководство по сортировке списков
      • Python List Extend: Как добавить несколько элементов в список
      • Python: Найти Индекс Всех Вхождений Элемента в Списке
      • Конвертация списка словарей в Pandas DataFrame
      • Генерация случайных чисел в Python
      • Поиск Индекса в Списке Python: Найти Первое, Последнее или Все Вхождения
      • Добавить в начало списка в Python (Вставить в начало)
      • Найти дубликаты в списке Python
      • Python: Умножение Списков (6 Различных Способов)
      • Python списки: Полный обзор
      • Python: Выбор случайного элемента из списка
      • 4 Способа Очистить Список в Python
      • Объяснение ошибки IndexError в Python: индекс списка выходит за пределы допустимого диапазона
      • Python: Получение индекса максимального элемента в списке
      • Python: Объединение списков – Слияние списков (8 способов)
      • Python: Проверка наличия элемента в списке
      • Python: Проверка наличия элемента в списке
      • Удаление элемента из списка в Python (pop, remove, del, clear)
      • Как перевернуть список в Python (6 способов)
      • Python: Замена элемента в списке (6 различных способов)
      • Python: Удаление дубликатов из списка (7 способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Перемешать Список (Случайное Распределение Элементов Списка в Python)
      • Python: Пересечение двух списков
      • Python: Вычитание двух списков (4 простых способа!)
      • Длина или Размер Списка в Python: 5 Способов Узнать Длину Списка
      • Python: Транспонирование списка списков (5 простых способов!)
      • Python: Разделение списка (Пополам, на части)
      • Python: Комбинации списка (Получить все комбинации списка)
      • Python: Выравнивание списка списков (4 способа)
      • Разница между списками в Python: Нахождение разницы между двумя списками Python
      • Python: Найти среднее значение списка или списка списков
      • Как добавлять элементы в списки в Python – 4 простых способа!
      • Списковые включения в Python (Полное руководство с примерами)
      • 6 способов преобразовать список Python в строку
    • Python Dictionaries
      • Понимание словаря Python (с примерами)
      • Исправляем ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Преобразование JSON в словарь Python
      • Полное руководство по вложенным словарям в Python
      • Копирование словаря в Python: Полное руководство
      • Конвертация списка словарей в Pandas DataFrame
      • Поиск дубликатов в списке Python
      • Полный обзор словарей в Python
      • Python: Добавление пары Ключ:Значение в Словарь
      • Python: Сортировка словаря по значениям
      • Слияние Словарей в Python – Комбинирование Словарей (7 Способов)
      • Python: Удаление Дубликатов из Списка (7 Способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Красивая Печать Словаря (Dictionary) – 4 Способа
      • Python: Проверка пуст ли словарь (5 способов!)
      • Copy of Python: Проверка пуст ли словарь (5 способов!)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Получение Ключа Словаря с Максимальным Значением (4 Способа)
      • Python: Удаление ключа из словаря (4 разных способа)
      • Как красиво вывести JSON-файл в Python (6 методов)
    • Python Strings
      • Python Капитализация Строк: Руководство по Преобразованию слов в Заглавные
      • Python strip: Как обрезать строку в Python
      • Python Обратная Строка: Руководство по Реверсированию Строк
      • Как Удалить Префикс или Суффикс из Строки в Python
      • Преобразование строки в формат заголовка в Python с помощью str.title()
      • Как добавить строку в список в Python
      • Python String startswith: Проверка, начинается ли строка с подстроки
      • Python String endswith: Проверка того, заканчивается ли строка подстрокой
      • Как удалить первый или последний символ из строки в Python
      • Как исправить: SyntaxError в Python - EOL при сканировании строкового литерала
      • Python String Contains: Проверка Наличия Подстроки в Строке
      • Как проверить, пустая ли строка в Python
      • Python Новая Строка и Как Печатать Без Переноса Строки
      • Как Конкатенировать Строки в Python: Полное Руководство
      • Python: Подсчет слов в строке или файле
      • Как создать список алфавита в Python
      • Python: Конкатенация строки и целого числа (Int)
      • Python: Сортировка строки (4 различных способа)
      • Python zfill и rjust: Добавление нулей в строку в Python
      • Python: Целое в Двоичное (Преобразование целого числа в двоичную строку)
      • Python rfind: Нахождение индекса последней подстроки в строке
      • Python SHA256 хеширование алгоритм: объяснение
      • Python: Усечение числа с плавающей точкой (6 различных способов)
      • Выбор между методами Python isdigit(), isnumeric() и isdecimal()
      • Python: Удаление специальных символов из строки
      • Python Приведение Строки к Нижнему Регистру с помощью .lower(), .casefold(), и .islower()
      • Python программа для проверки, является ли строка палиндромом (6 методов)
      • Python: Найдите все перестановки строки (3 легких способа!)
      • Python: Удаление пунктуации из строки (3 разных способа!)
      • Python: Найти индекс (или все индексы) подстроки в строке
      • Python: Удаление символов новой строки из строки
      • Python: Удаление символа из строки (4 способа)
      • Python: Количество вхождений в строке (4 способа!)
    • Встроенные функции Python
      • abs()
      • ascii()
      • aiter()
      • all()
      • any()
      • anext()
      • bin()
      • bool()
      • breakpoint()
      • bytearray()
      • bytes()
      • callable()
      • chr()
      • classmethod()
      • compile()
      • complex()
      • delattr()
      • dict()
      • dir()
      • divmod()
      • enumerate()
      • eval()
      • exec()
      • filter()
      • float()
      • format()
      • frozenset()
      • getattr()
      • globals()
      • hasattr()
      • hash()
      • help()
      • hex()
      • id()
      • input()
      • int()
      • issubclass()
      • iter()
      • len()
      • list()
      • locals()
      • map()
      • max()
      • memoryview()
      • min()
      • next()
      • object()
      • oct()
      • open()
      • ord()
      • pow()
      • print()
      • property()
      • range()
      • repr()
      • reversed()
      • round()
      • set()
      • setattr()
      • isinstance()
      • slice()
      • zip()
      • type()
      • sorted()
      • staticmethod()
      • str()
      • sum()
      • super()
      • tuple()
      • vars()
      • import()
    • Cобеседования Python. Разбор реальных вопросов.
    • Встроенные методы в Python
  • Учебники по Pandas и Numpy
    • Numpy
      • Функция активации ReLU для глубокого обучения: полное руководство по выпрямленному линейному блоку
      • Как нормализовать массивы NumPy (минимальное-максимальное масштабирование, Z-оценка, L2)
      • NumPy where: Условная обработка элементов массива
      • NumPy linspace: создание равномерно расположенных массивов с помощью np.linspace
      • Как рассчитать векторное произведение в Python
      • Разделение NumPy: Разделение массива NumPy на части
      • NumPy: Лучшие способы применения функции к массиву
      • NumPy full: Создание массивов с заданным значением
      • NumPy clip(): Ограничьте значения массива минимальным и максимальным значениями
      • NumPy cumsum: Расчет кумулятивных сумм массивов NumPy
      • Изучаем функцию np.histogram в NumPy: создаем гистограмму
      • NumPy arange(): Полное руководство (с примерами)
      • Руководство по индексации и срезам массивов NumPy: Полное руководство
      • NumPy argmin(): Получение индекса минимального значения в массивах
      • Выравнивание массива с помощью NumPy flatten
      • Объединение массивов NumPy по различным осям с использованием функции stack
      • Удаление размерности из массивов NumPy с помощью NumPy Squeeze
      • Функция np.repeat() NumPy: Повторение массивов NumPy
      • Использование функции NumPy.exp() для вычисления экспоненты
      • Реализация функции сигмоида на Python
      • NumPy Pad: Использование np.pad() для дополнения массивов и матриц
      • np.argmax(): Как использовать NumPy Argmax
      • NumPy logspace: Понимание функции np.logspace()
      • Использование NumPy Tile для Расположения Массивов
      • NumPy Zeros: Создание массивов и матриц с нулями в NumPy
      • Использование числа Пи в Python (NumPy и Math)
      • Распределение Нормального (Гауссова) Распределения в Numpy (Случайное Нормальное в Numpy)
      • NumPy для Data Science на Python
      • Расчет скалярного произведения с использованием Numpy в Python
      • Расчет натурального логарифма на Python
    • Pandas
      • Python сводные таблицы – Полное руководство
      • Изучение API стиля Pandas
      • Объяснение группировки по нескольким столбцам в Pandas с примерами
      • Удаление индексной колонки DataFrame в Pandas: Руководство с примерами
      • Pandas Quantile: Расчет процентилей в DataFrame
      • Как рассчитать скользящее среднее (среднее арифметическое) в Pandas
      • Руководство по использованию метода fillna в Pandas для работы с отсутствующими данными в DataFrame
      • Pandas unique(): Получение уникальных значений в DataFrame
      • Распакуйте Ваши Данные с Помощью Функции Melt в Pandas
      • Pandas date_range: Как Создать Диапазон Дат в Pandas
      • Сброс индекса в Pandas: как сбросить индекс в Pandas
      • Pandas replace() – Замена значений в DataFrame Pandas
      • Перемещение столбца DataFrame Pandas на позицию (В начало и в конец)
      • Учебное пособие по Python Pandas: полное руководство
      • Pandas: Замена NaN на нули
      • Преобразование DataFrame Pandas в файл Pickle
      • Конвертация Pandas DataFrame в JSON
      • Преобразование DataFrame Pandas в Словарь
      • Преобразование Pandas DataFrame в Список
      • Чтение файлов Parquet в Pandas с помощью pd.read_parquet
      • Pandas dropna(): Удаление отсутствующих записей и столбцов в DataFrame
      • Как Добавить Новый Столбец в DataFrame Pandas
      • Подсчёт уникальных значений в Pandas
      • Отображение всех столбцов и строк в DataFrame Pandas
      • Pandas to_excel: Запись DataFrames в файлы Excel
      • Как использовать Pandas для чтения файлов Excel в Python
      • Преобразование списка словарей в Pandas DataFrame
      • Как добавить/вставить строку в DataFrame Pandas
      • Диаграмма рассеяния в Pandas: Как создать диаграмму рассеяния в Pandas
      • Pandas to_datetime: Преобразование строки Pandas в дату и время
      • Введение в Pandas для Data Science
      • Индексация, Выборка и Присваивание Данных в Pandas
      • Суммирование и Анализ Pandas DataFrame
      • Преобразование столбцов Pandas с помощью map и apply
      • Группировка данных в Pandas с использованием cut и qcut
      • Дата и время в Pandas и Python
      • Очистка и подготовка данных в Pandas и Python
      • Pandas GroupBy: группировка, суммирование и агрегация данных в Python
      • Pandas Дата и Время в Части Даты (месяц, год и т.д.)
      • Pandas: Получение номера строки из DataFrame
      • Вычисление Взвешенного Среднего в Pandas и Python
      • Как перемешать строки Pandas Dataframe в Python
      • Pandas: количество столбцов (подсчет столбцов в DataFrame)
      • Pandas Sum: сложение столбцов и строк DataFrame
      • Pandas Diff: Вычисление Разницы Между Строками Pandas
      • Нормализация столбца или датафрейма Pandas (с использованием Pandas или sklearn)
      • Функция Rank в Pandas: Ранжирование данных в Dataframe (Эквивалент SQL row_number)
      • Pandas Describe: Описательная статистика вашего Dataframe
      • Pandas Shift: Перемещение столбца DataFrame вверх или вниз
      • 7 Способов Выполнения Выборки Данных в Pandas
      • Экспорт DataFrame Pandas в CSV файл – Использование .to_csv()
      • Pandas: Итерация по строкам DataFrame в Pandas
      • Pandas: Преобразование значений столбца в строки
      • Дисперсия в Pandas: Вычисление дисперсии столбца в Pandas Dataframe
      • Pandas: Создание DataFrame из списков (5 способов!)
      • Pandas Rename Index: Как переименовать индекс DataFrame в Pandas
      • Pandas: Подсчёт уникальных значений в объекте GroupBy
      • Pandas: Добавить дни к колонке с датами
      • Среднее в Pandas: Как рассчитать среднее для одной или нескольких колонок
      • Pandas Column to List – Конвертируйте колонку Pandas в список
      • Транспонирование Dataframe в Pandas
      • Python: Разделение DataFrame Pandas
      • Как получить имена столбцов в DataFrame Pandas
      • Pandas: Количество строк в DataFrame (6 способов)
      • Создание пустого DataFrame Pandas и добавление данных
      • Как переименовать столбцы в Pandas DataFrame (с примерами)
      • Изменение порядка столбцов в Pandas: использование метода reindex и метода insert
      • Pandas get_dummies (One-Hot кодирование), объяснение
      • Относительные и Абсолютные Частоты в Python и Pandas
      • Финансовый год – Определение финансового года в Pandas
      • Как сортировать данные в DataFrame Pandas
  • Учебники Matplotlib и Seaborn
    • Seaborn
      • Регрессионные графики в Seaborn с использованием regplot и lmplot
      • Seaborn residplot – Построение остатков линейной регрессии
      • Seaborn jointplot() – Создание совместных графиков в Seaborn
      • Seaborn displot – Распределенческие графики в Python
      • Seaborn ecdfplot – Эмпирические функции накопленного распределения
      • Seaborn rugplot – Визуализация маргинальных распределений
      • Seaborn kdeplot – Создание графиков оценки плотности ядра
      • Seaborn histplot – Создание Гистограмм в Seaborn
      • Seaborn catplot – Визуализация категориальных данных в Python
      • Средняя тенденция для категориальных данных в Seaborn Pointplot
      • Seaborn stripplot: Jitter Plots для распределений категориальных данных
      • Seaborn Countplot – Подсчет категориальных данных в Python
      • Seaborn swarmplot: Bee Swarm Plots для распределения категориальных данных
      • Скрипичные графики Seaborn в Python: Полное руководство
      • Настройка расположения легенд Seaborn, меток, текста и т.д.
      • Тепловая карта Seaborn: Полное руководство
      • Создание многосекционных сеток в Seaborn с помощью FacetGrid
      • Удаление рамки в Seaborn: Как работать с рамкой
      • Заголовки и метки осей в Seaborn: добавление и настройка
      • Как установить Seaborn в Python (Исправление: no module named seaborn)
      • Seaborn relplot – Создание точечных и линейных графиков
      • Полное руководство по созданию точечных диаграмм (scatter plots) в Python с использованием Seaborn
    • Matplotlib
      • Режим Retina в Matplotlib: Улучшение Качества Графиков
      • Как построить функцию в Python с использованием Matplotlib
      • Как создать 3D-диаграммы рассеяния в Matplotlib
      • Как изменить размер шрифта в графике Matplotlib
      • Установка размера маркера в точечных диаграммах Matplotlib
      • Как изменить размер графика и фигуры в Matplotlib
      • Как добавить названия в Matplotlib: Заголовок, Подзаголовок, Названия Осей
      • Pandas Scatter Plot: Как создать диаграмму рассеяния в Pandas
      • Построение графиков в Python с помощью Matplotlib
      • Диаграммы рассеяния Matplotlib – Все, что вам нужно знать
      • Диаграммы с столбцами в Matplotlib – Узнайте все, что вам нужно знать
      • Линейные диаграммы Matplotlib – Всё, что вам нужно знать
      • Построение гистограммы в Python с Matplotlib и Pandas
  • Алгоритмы
    • Алгоритм поиска в ширину (BFS) в Python
    • Алгоритм поиска в глубину (DFS) на Python
  • AI создает хедж-фонд для анализа акций на Python
Powered by GitBook
On this page
  • Понимание функции np.where()
  • Использование np.where() для замены элементов в массиве NumPy
  • Использование np.where() для обработки элементов массива NumPy
  • Использование np.where() с несколькими условиями
  • Использование np.where() с несколькими измерениями
  • Использование np.where() для возврата индексов, в которых выполняется условие
  • Заключение
  • Дополнительные ресурсы
  1. Учебники по Pandas и Numpy
  2. Numpy

NumPy where: Условная обработка элементов массива

PreviousКак нормализовать массивы NumPy (минимальное-максимальное масштабирование, Z-оценка, L2)NextNumPy linspace: создание равномерно расположенных массивов с помощью np.linspace

Last updated 1 year ago

В этом руководстве вы узнаете, как использовать функцию NumPy where() для обработки или возвращения элементов на основе одного условия или нескольких условий. Функция np.where() является одной из самых мощных функций, доступных в NumPy. Функция позволяет возвращать индексы, где условие выполнено, или обрабатывать элементы массива, где условие выполнено. К сожалению, эта функция часто плохо документирована и недостаточно используется – это руководство призвано исправить это.

К концу этого руководства вы научитесь:

  • Что такое функция NumPywhere() и как понять ее параметры

  • Как заменить элементы в массиве с помощью функции NumPywhere()

  • Как обрабатывать элементы массива с помощью функции NumPywhere()

  • Как использовать функцию np.where() с несколькими условиями

  • Как использовать функцию np.where() для возврата индексов при выполнении условия

Оглавление

Понимание функции np.where()

Это означает, что функция может возвращать элементы из другого набора массивов, x или y, в зависимости от выполнения условия в передаваемом массиве a. Если это все еще вызывает путаницу, не волнуйтесь – приведенные ниже примеры помогут развеять все сомнения.

Давайте рассмотрим синтаксис функции

# Понимание функции np.where()
numpy.where(
  condition,   # Если истина, возвращает x, иначе y
  [x, y, ]  )   # Значения для выбора

Функция np.where() возвращает значения из x, если условие condition истинно, и значения из y в противном случае. Массивы x и y должны иметь одинаковую форму или быть скалярами.

  • condition: Булев массив или условие, которое определяет, где выбрать значения из x или y.

  • x: Массив значений, которые будут выбраны там, где условие истинно.

  • y: Массив значений, которые будут выбраны там, где условие ложно.

Функция np.where() возвращает новый массив, содержащий выбранные значения из x

Синтаксис функции может показаться немного запутанным. Приведенные ниже примеры должны помочь более четко разобраться с использованием функции. Давайте погрузимся в примеры!

Использование np.where() для замены элементов в массиве NumPy

Одно из самых простых применений функции np.where() - это замена значений в массиве. Давайте рассмотрим пример, а затем разберем, что мы сделали:

# Использование np.where() для замены элементов в массиве
import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
replaced = np.where(arr > 5, 'Met', 'Not Met')
print(replaced)

# Возвращает:
# ['Not Met' 'Not Met' 'Not Met' 'Not Met' 'Not Met' 'Met' 'Met' 'Met' 'Met' 'Met']

Этот код заменяет элементы в массиве arr на 'Met', если они больше 5, и на 'Not Met' в противном случае, и сохраняет результат в переменной replaced.

Давайте разберем, что мы сделали выше:

  1. Мы загрузили numpy под псевдонимом

  2. Мы создали массив arr, который включает значения от 1 до 10.

  3. Затем мы создали другой массив, replaced, который использует функцию np.where() для замены значений в нашем массиве,

Функция транслирует массив условий и возвращает значения либо из первого, либо из второго массива.

Аналогично, мы можем использовать массивы в качестве наших выборок. Например, если вы хотите вернуть исходный массив, если условие выполнено, или другое значение, вы можете написать следующее:

# Использование np.where() для замены элементов в массиве другими значениями из массива
import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
replaced = np.where(arr > 5, arr, -1)
print(replaced)

# Возвращает:
# [-1 -1 -1 -1 -1  6  7  8  9 10]

Этот код заменяет элементы в массиве arr на сами элементы, если они больше 5, и на -1 в противном случае, и сохраняет результат в переменной replaced.

Аналогично, мы можем использовать два массива в функции np.where() и выбирать из одного или другого массива в зависимости от выполнения условия.

Использование np.where() для обработки элементов массива NumPy

В этом разделе вы научитесь использовать функцию np.where() для обработки элементов в массиве NumPy. Это может быть очень полезно, когда вы хотите применить расчет на основе выполнения условия.

Давайте посмотрим, как это работает на Python:

# Использование np.where() для обработки элементов в массиве
import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
replaced = np.where(arr % 2 == 0, arr * 10, arr / 10)
print(replaced)

# Возвращает:
# [  0.1  20.    0.3  40.    0.5  60.    0.7  80.    0.9 100. ]

Этот код умножает на 10 элементы массива arr, которые четные, и делит на 10 элементы, которые нечетные, и сохраняет результат в переменной replaced.

В приведенном выше коде мы определяем, является ли каждый элемент четным значением (используя оператор модуля). Если элемент четный, мы умножаем значение на 10. В противном случае мы делим число на 10. Это может быть отличным способом изменения массивов на основе условия.

Важно отметить, что в нашем примере измененные значения были получены из исходного массива. Однако это необязательное условие! Мы можем использовать два разных массива и обрабатывать их разными способами.

Допустим, у нас есть список значений, которые идентифицируют объект как квадрат или круг. У нас также есть массив, который содержит либо радиус круга, либо длину стороны квадрата. Мы можем использовать функцию np.where() для возврата массива площадей, как показано ниже:

# Использование np.where() с практическим примером
import numpy as np

types = ['square', 'circle', 'square', 'circle', 'circle', 'square']
arr = np.array([2.3, 3.4, 1.2, 5.4, 3.2, 1.1])
areas = np.where(types == 'square', arr ** 2, np.pi * arr ** 2)
print(areas)

# Возвращает:
# [16.61902514 36.31681108  4.52389342 91.60884178 32.16990877  3.80132711]

Этот код вычисляет площадь для каждой фигуры в массиве arr, где тип фигуры равен 'square', используя формулу сторона ** 2, а для фигур типа 'circle', используется формула pi * радиус ** 2, и сохраняет результат в переменной areas.

В приведенном выше примере мы работали с двумя массивами: один содержал информацию о форме объекта, а другой - некоторые измерения этого объекта. Мы смогли использовать функцию np.where() для расчета площади объекта, используя соответствующую формулу.

Использование np.where() с несколькими условиями

В этом разделе вы узнаете, как использовать функцию np.where() с несколькими условиями. Это значительно расширяет возможности использования функции.

Давайте рассмотрим, как мы можем расширить предыдущий пример: мы можем вернуть значение, если оно больше пяти и чётное, — в противном случае вернуть 0.

# Использование np.where() с несколькими условиями
import numpy as np

arr = np.arange(10)

filtered = np.where((arr % 2 == 0) & (arr > 5), arr, 0)
print(filtered)

# Возвращает: [0 0 0 0 0 0 6 0 8 0]

Этот код создает новый массив filtered, в котором значения из массива arr сохраняются, если они четные и больше 5, иначе они заменяются на 0.

В приведенном выше примере мы использовали оператор & для выбора элементов на основе двух условий, которые являются True. Важно заключать условия в скобки, чтобы избежать любой неоднозначности в условиях.

Мы также можем выбирать элементы, если выполнено хотя бы одно из условий, используя оператор |. Давайте посмотрим, как это выглядит:

# Использование np.where() с несколькими условиями и оператором |
import numpy as np

arr = np.arange(10)

filtered = np.where((arr % 2 == 0) | (arr > 5), arr, 0)
print(filtered)

# Возвращает: [0 0 2 0 4 0 6 7 8 9]

Этот код создает новый массив filtered, в котором значения из массива arr сохраняются, если они четные или больше 5, иначе они заменяются на 0.

В этом примере мы используем оператор логического or (|), чтобы выбрать элементы, для которых выполняется хотя бы одно из условий.

Использование np.where() с несколькими измерениями

В этом разделе мы рассмотрим использование функции np.where() с массивами нескольких измерений. На самом деле это работает так же, как и для массивов только одного измерения. Давайте посмотрим, как мы можем использовать матрицу с функцией

# Использование функции np.where() с матрицей NumPy
import numpy as np

arr = np.arange(9).reshape(3, 3)

filtered = np.where(arr % 2 == 0, arr, -1)
print(filtered)

# Возвращает:
# [[ 0 -1  2]
#  [-1  4 -1]
#  [ 6 -1  8]]

Этот код создает новую матрицу, где значения из исходной матрицы arr сохраняются, если они четные, иначе они заменяются на -1.

В приведенном выше примере мы возвращаем значение из исходного массива, если оно четное, иначе возвращаем

Использование np.where() для возврата индексов, в которых выполняется условие

Функция np.where() также может использоваться для того, чтобы возвращать только индексы массива, соответствующие заданному условию. Это возможно, когда не передаются массивы результатов. Возвращаемым массивом является просто массив индексов, которые соответствуют условию.

Давайте посмотрим, как мы можем это сделать на Python:

# Использование np.where() для возврата индексов, где условие выполняется
import numpy as np

arr = np.arange(9)

idx = np.where(arr % 2 == 0)
print(idx)

# Возвращает:
# (array([0, 2, 4, 6, 8]),)

Этот код возвращает индексы элементов массива arr, для которых условие остатка от деления на 2 равно 0.

Заключение

В этом учебнике вы научились использовать функцию np.where() для выбора и трансформации элементов в массиве, которые соответствуют условию. Сначала вы научились понимать синтаксис функции, а затем проработали простой пример. Затем вы научились использовать функцию для замены и трансформации элементов в массиве. Вы также научились использовать функцию с несколькими условиями и с массивами нескольких измерений. Наконец, вы научились использовать функцию для возврата индексов массива, которые соответствуют условию.

Дополнительные ресурсы

Чтобы узнать больше о смежных темах, ознакомьтесь с нижеследующими руководствами:

Перед тем, как мы начнем использовать функцию np.where(), давайте посмотрим, что это за функция и какие параметры она предлагает. Функция описывается как "Возврат элементов, выбранных из x или y в зависимости от условия" в .

официальной документации
NumPy для науки о данных в Python
NumPy linspace: создание равномерно расположенных массивов с помощью np.linspace
Пространство журналов NumPy: понимание функции np.logspace()
Таблица NumPy для упорядочения массивов
Ссылка на код статьи
Понимание функции np.where()
Использование np.where() для замены элементов в массиве NumPy
Использование np.where() для обработки элементов массива NumPy
Использование np.where() с несколькими условиями
Использование np.where() с несколькими измерениями
Использование np.where() для возврата индексов, в которых выполняется условие
Заключение
Дополнительные ресурсы