Come seleziono gli elementi di una determinata condizione di array?

Supponiamo di avere una matrice NumPy x = [5, 2, 3, 1, 4, 5], y = ['f', 'o', 'o', 'b', 'a', 'r']. Voglio selezionare gli elementi in ycorrispondenza degli elementi xche sono maggiori di 1 e minori di 5.

Provai

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']

ma questo non funziona. Come lo farei?

La tua espressione funziona se aggiungi parentesi:

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

L'OP IMO in realtà non vuole np.bitwise_and()(aka &) ma in realtà vuole np.logical_and()perché stanno confrontando valori logici come Truee False- vedi questo post SO su logico o bit per vedere la differenza.

>>> 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')

E un modo equivalente per farlo è quello np.all()di impostare l' axisargomento in modo appropriato.

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

dai numeri:

>>> %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

quindi l'utilizzo np.all()è più lento, ma è più &o logical_andmeno lo stesso.

Aggiungi un dettaglio alle risposte di @JF Sebastian e @Mark Mikofski:
se si desidera ottenere gli indici corrispondenti (anziché i valori effettivi dell'array), farà il seguente codice:

Per soddisfare molteplici (tutte) condizioni:

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

Per soddisfare più (o) condizioni:

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

Mi piace usare np.vectorizeper tali compiti. Considera quanto segue:

>>> # 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')

Il vantaggio è che puoi aggiungere molti altri tipi di vincoli nella funzione vettoriale.

Spero che sia d'aiuto.

In realtà lo farei così:

L1 è la lista indice di elementi che soddisfano la condizione 1; (forse puoi usare somelist.index(condition1)o np.where(condition1)per ottenere L1.)

Allo stesso modo, ottieni L2, un elenco di elementi che soddisfano la condizione 2;

Quindi trovi l'intersezione usando intersect(L1,L2).

È inoltre possibile trovare l'intersezione di più elenchi se si soddisfano più condizioni.

Quindi è possibile applicare l'indice in qualsiasi altro array, ad esempio x.

Per gli array 2D, è possibile farlo. Crea una maschera 2D usando la condizione. Digitare la maschera delle condizioni su int o float, a seconda dell'array, e moltiplicarla con l'array originale.

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.]])