numpy
Filtrera data

Filtrera data med en boolesisk matris

När bara ett enda argument tillhandahålls till numpys where funktion returnerar det indexen för ingångsuppsättningen ( condition ) som utvärderar som sant (samma beteende som numpy.nonzero ). Detta kan användas för att extrahera index för en matris som uppfyller ett givet tillstånd.

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]

Om du inte behöver indexen kan detta uppnås i ett steg med extract , där du agian anger condition som det första argumentet, men ger array att returnera värdena från var villkoret är sant som det andra argumentet.

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

Två ytterligare argument x och y kan levereras till where , i vilket fall utgången kommer att innehålla värdena för x där villkoret är True och värdena på y där villkoret är 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]])

Direktfiltreringsindex

För enkla fall kan du filtrera data direkt.

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]