ฉันกำลังเล่นnumpyและขุดเอกสารและได้พบกับเวทมนตร์บางอย่าง ฉันกำลังพูดถึงnumpy.where():
>>> x = np.arange(9.).reshape(3, 3)
>>> np.where( x > 5 )
(array([2, 2, 2]), array([0, 1, 2]))
พวกเขาบรรลุภายในได้อย่างไรว่าคุณสามารถผ่านบางสิ่งบางอย่างx > 5เข้าไปในวิธีการได้? ฉันเดาว่ามันมีบางอย่างที่เกี่ยวข้อง__gt__แต่ฉันกำลังมองหาคำอธิบายโดยละเอียด
คำตอบ:
พวกเขาบรรลุภายในได้อย่างไรว่าคุณสามารถส่งบางอย่างเช่น x> 5 ไปเป็นวิธีการได้?
คำตอบสั้น ๆ คือพวกเขาไม่ทำ
การดำเนินการทางตรรกะใด ๆ บนอาร์เรย์ numpy จะส่งคืนอาร์เรย์บูลีน (เช่น__gt__, __lt__ฯลฯ ทั้งหมดอาร์เรย์ผลตอบแทนบูลที่ได้รับเงื่อนไขที่เป็นจริง)
เช่น
x = np.arange(9).reshape(3,3)
print x > 5
ผลตอบแทน:
array([[False, False, False],
[False, False, False],
[ True, True, True]], dtype=bool)
นี่เป็นเหตุผลเดียวกับที่บางสิ่งเช่นif x > 5:เพิ่ม ValueError ถ้าxเป็นอาร์เรย์ numpy มันคืออาร์เรย์ของค่า True / False ไม่ใช่ค่าเดียว
นอกจากนี้อาร์เรย์จำนวนนับยังสามารถจัดทำดัชนีได้โดยอาร์เรย์บูลีน เช่นx[x>5]อัตราผลตอบแทน[6 7 8]ในกรณีนี้
ตรงไปตรงมาก็ค่อนข้างหายากที่คุณต้องการจริงแต่มันเป็นเพียงแค่ผลตอบแทนดัชนีที่อาร์เรย์แบบบูลคือnumpy.where Trueโดยปกติคุณสามารถทำสิ่งที่คุณต้องการได้ด้วยการสร้างดัชนีบูลีนอย่างง่าย
__getitem__ไวยากรณ์ของ[]over อย่างใดอย่างหนึ่งnumpy.whereหรือnumpy.take. เนื่องจาก__getitem__ต้องรองรับการหั่นด้วยจึงมีค่าใช้จ่ายบางส่วน ฉันเห็นความแตกต่างของความเร็วที่เห็นได้ชัดเมื่อทำงานกับโครงสร้างข้อมูล Python Pandas และการสร้างดัชนีคอลัมน์ที่มีขนาดใหญ่มากอย่างมีเหตุผล ในกรณีที่ถ้าคุณไม่จำเป็นต้องหั่นแล้วtakeและwhereเป็นจริงดี
คำตอบเก่า มันค่อนข้างสับสน มันทำให้คุณมีสถานที่ (ทั้งหมด) ที่สถานะของคุณเป็นจริง
ดังนั้น:
>>> a = np.arange(100)
>>> np.where(a > 30)
(array([31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47,
48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64,
65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81,
82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98,
99]),)
>>> np.where(a == 90)
(array([90]),)
a = a*40
>>> np.where(a > 1000)
(array([26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42,
43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59,
60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76,
77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93,
94, 95, 96, 97, 98, 99]),)
>>> a[25]
1000
>>> a[26]
1040
ฉันใช้เป็นอีกทางเลือกหนึ่งของ list.index () แต่ก็มีประโยชน์อื่น ๆ อีกมากมายเช่นกัน ฉันไม่เคยใช้กับอาร์เรย์ 2D
http://docs.scipy.org/doc/numpy/reference/generated/numpy.where.html
คำตอบใหม่ ดูเหมือนว่าบุคคลนั้นกำลังถามบางสิ่งที่เป็นพื้นฐานมากกว่า
คำถามคือคุณจะใช้บางสิ่งที่ช่วยให้ฟังก์ชัน (เช่นที่ใด) ทราบสิ่งที่ร้องขอ
ก่อนอื่นโปรดทราบว่าการเรียกใช้ตัวดำเนินการเปรียบเทียบจะเป็นสิ่งที่น่าสนใจ
a > 1000
array([False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True, True, True, True, True, True, True, True, True,
True`, True, True, True, True, True, True, True, True, True], dtype=bool)`
ซึ่งทำได้โดยการโอเวอร์โหลดเมธอด "__gt__" ตัวอย่างเช่น:
>>> class demo(object):
def __gt__(self, item):
print item
>>> a = demo()
>>> a > 4
4
อย่างที่คุณเห็น "a> 4" เป็นรหัสที่ถูกต้อง
คุณสามารถรับรายการและเอกสารของฟังก์ชันที่โอเวอร์โหลดทั้งหมดได้ที่นี่: http://docs.python.org/reference/datamodel.html
สิ่งที่เหลือเชื่อคือการทำสิ่งนี้ง่ายเพียงใด การดำเนินการทั้งหมดใน python ทำได้ในลักษณะดังกล่าว การพูดว่า a> b เทียบเท่ากับ a. gt (ข)!
np.where(a > 30 and a < 50)หรือnp.where(30 < a < 50)เพราะมันพยายามประเมินตรรกะ AND ของสองอาร์เรย์ของบูลีนซึ่งค่อนข้างไม่มีความหมาย มีวิธีเขียนเงื่อนไขดังกล่าวด้วยnp.whereหรือไม่?
np.where((a > 30) & (a < 50))
np.whereส่งคืนค่า tuple ของความยาวเท่ากับมิติของ numpy ndarray ที่เรียกว่า (หรืออีกนัยหนึ่งndim) และแต่ละรายการของ tuple เป็นดัชนีที่เป็นตัวเลขของค่าเหล่านั้นทั้งหมดใน ndarray เริ่มต้นซึ่งเงื่อนไขเป็นจริง (โปรดอย่าสับสนมิติกับรูปร่าง)
ตัวอย่างเช่น:
x=np.arange(9).reshape(3,3)
print(x)
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
y = np.where(x>4)
print(y)
array([1, 2, 2, 2], dtype=int64), array([2, 0, 1, 2], dtype=int64))
y คือทูเปิลของความยาว 2 เนื่องจากx.ndimเป็น 2 รายการที่ 1 ในทูเปิลมีหมายเลขแถวขององค์ประกอบทั้งหมดที่มากกว่า 4 และรายการที่ 2 มีหมายเลขคอลัมน์ของรายการทั้งหมดที่มากกว่า 4 อย่างที่คุณเห็น [1,2,2 , 2] สอดคล้องกับหมายเลขแถวที่ 5,6,7,8 และ [2,0,1,2] ตรงกับหมายเลขคอลัมน์ที่ 5,6,7,8 โปรดทราบว่า ndarray เคลื่อนที่ไปตามมิติแรก (row-wise ).
ในทำนองเดียวกัน
x=np.arange(27).reshape(3,3,3)
np.where(x>4)
จะคืนค่าทูเพิลของความยาว 3 เนื่องจาก x มี 3 มิติ
แต่เดี๋ยวก่อนยังมีอีกมากใน np ที่ไหน!
เมื่อทั้งสองมีปากเสียงจะมีการเพิ่มการnp.where; มันจะทำการแทนที่สำหรับชุดค่าผสมแถว - คอลัมน์คู่ที่ได้รับจากทูเปิลข้างต้น
x=np.arange(9).reshape(3,3)
y = np.where(x>4, 1, 0)
print(y)
array([[0, 0, 0],
[0, 0, 1],
[1, 1, 1]])
numpy.whereจะมี 2 รูปแบบการดำเนินงาน 'แรกผลตอบแทนindicesที่condition is Trueและถ้าพารามิเตอร์ที่ไม่จำเป็นxและyเป็นปัจจุบัน (รูปร่างเช่นเดียวกับconditionหรือ broadcastable รูปร่างดังกล่าว!) ก็จะกลับค่าจากxเมื่อเป็นอย่างอื่นจากcondition is Trueyดังนั้นสิ่งนี้ทำให้whereมีความหลากหลายมากขึ้นและทำให้สามารถใช้งานได้บ่อย ขอบคุณ