numpy
Фильтрация данных

Фильтрация данных с помощью логического массива

Когда только один аргумент передается в numpy, where функция возвращает индексы входного массива ( condition ), которые оцениваются как истинные (такое же поведение, как numpy.nonzero ). Это можно использовать для извлечения индексов массива, которые удовлетворяют заданному условию.

import numpy as np

a = np.arange(20).reshape(2,10)
# a = array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9],
#           [10, 11, 12, 13, 14, 15, 16, 17, 18, 19]])

# Generate boolean array indicating which values in a are both greater than 7 and less than 13
condition = np.bitwise_and(a>7, a<13)
# condition = array([[False, False, False, False, False, False, False, False,  True, True],
#                    [True,  True,  True, False, False, False, False, False, False, False]], dtype=bool)

# Get the indices of a where the condition is True
ind = np.where(condition)
# ind = (array([0, 0, 1, 1, 1]), array([8, 9, 0, 1, 2]))

keep = a[ind]
# keep = [ 8  9 10 11 12]

Если вам не нужны индексы, это может быть достигнуто за один шаг с помощью extract , где agian задает condition как первый аргумент, но дайте array вернуть значения, из которых условие истинно, как второй аргумент.

# np.extract(condition, array)
keep = np.extract(condition, a)
# keep = [ 8  9 10 11 12]

Два дополнительных аргумента x и y могут быть предоставлены туда, where в этом случае вывод будет содержать значения x где условие равно True и значения y где условие False .

# Set elements of a which are NOT greater than 7 and less than 13 to zero, np.where(condition, x, y)
a = np.where(condition, a, a*0)
print(a)
# Out: array([[ 0,  0,  0,  0,  0,  0,  0,  0,  8,  9],
#            [10, 11, 12,  0,  0,  0,  0,  0,  0,  0]])

Прямая фильтрация индексов

Для простых случаев вы можете напрямую фильтровать данные.

a = np.random.normal(size=10)
print(a)
#[-1.19423121  1.10481873  0.26332982 -0.53300387 -0.04809928  1.77107775
# 1.16741359  0.17699948 -0.06342169 -1.74213078]
b = a[a>0]
print(b)
#[ 1.10481873  0.26332982  1.77107775  1.16741359  0.17699948]