Я играю numpyи копаюсь в документации, и я наткнулся на некоторую магию. А именно я говорю о numpy.where():
>>> x = np.arange(9.).reshape(3, 3)
>>> np.where( x > 5 )
(array([2, 2, 2]), array([0, 1, 2]))
Как они внутренне добиваются того, чтобы вы могли передать что-то вроде x > 5метода? Я думаю, это как-то связано, __gt__но я ищу подробное объяснение.
Ответы:
Как они внутренне добиваются того, чтобы вы могли передать в метод что-то вроде x> 5?
Короткий ответ - нет.
Любая логическая операция с массивом numpy возвращает логический массив. (то есть __gt__, __lt__и т.д. все возвращают логические массивы , где данное условие является истинным).
Например
x = np.arange(9).reshape(3,3)
print x > 5
дает:
array([[False, False, False],
[False, False, False],
[ True, True, True]], dtype=bool)
Это та же самая причина, почему что-то вроде if x > 5:вызывает ValueError, если xэто массив numpy. Это массив значений True / False, а не одно значение.
Кроме того, массивы numpy могут индексироваться логическими массивами. Например , в этом случае x[x>5]уступает [6 7 8].
Честно говоря, это довольно редко, что вам действительно нужно, numpy.whereно он просто возвращает индикаторы, где находится логический массив True. Обычно вы можете делать то, что вам нужно, с помощью простой логической индексации.
__getitem__синтаксиса []over или numpy.whereили numpy.take. Поскольку __getitem__он также должен поддерживать нарезку, возникают некоторые накладные расходы. Я видел заметную разницу в скорости при работе со структурами данных Python Pandas и логической индексации очень больших столбцов. В тех случаях, если вам не нужна нарезка, тогда takeи whereлучше.
Старый ответ сбивает с толку. Он дает вам МЕСТОПОЛОЖЕНИЯ (все) того, где ваше утверждение истинно.
так:
>>> 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
Я использую его как альтернативу list.index (), но он имеет и множество других применений. Я никогда не использовал его с 2D-массивами.
http://docs.scipy.org/doc/numpy/reference/generated/numpy.where.html
Новый ответ Похоже, человек спрашивал о чем-то более фундаментальном.
Вопрос заключался в том, как ВЫ могли реализовать что-то, что позволяет функции (например, где) знать, что было запрошено.
Прежде всего обратите внимание, что вызов любого из операторов сравнения делает интересную вещь.
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)`
Это делается путем перегрузки метода «__gt__». Например:
>>> class demo(object):
def __gt__(self, item):
print item
>>> a = demo()
>>> a > 4
4
Как видите, "a> 4" был допустимым кодом.
Вы можете получить полный список и документацию по всем перегруженным функциям здесь: http://docs.python.org/reference/datamodel.html
Невероятно то, насколько просто это сделать. ВСЕ операции в python выполняются таким образом. Сказать a> b эквивалентно a. gt (b)!
np.where(a > 30 and a < 50)или np.where(30 < a < 50)потому, что в конечном итоге она пытается вычислить логическое И двух массивов логических значений, что довольно бессмысленно. Есть ли способ записать такое условие np.where?
np.where((a > 30) & (a < 50))
np.whereвозвращает кортеж длины, равной размеру массива numpy ndarray, на котором он вызывается (другими словами ndim), и каждый элемент кортежа представляет собой массив numpy ndarray индексов всех тех значений в исходном массиве ndarray, для которых условие истинно. (Пожалуйста, не путайте размер с формой)
Например:
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 - это кортеж длиной 2, потому что x.ndimравен 2. Первый элемент в кортеже содержит номера строк всех элементов больше 4, а второй элемент содержит номера столбцов всех элементов больше 4. Как вы можете видеть, [1,2,2 , 2] соответствует номерам строк 5,6,7,8, а [2,0,1,2] соответствует номерам столбцов 5,6,7,8. Обратите внимание, что ndarray перемещается по первому измерению (по строкам ).
По аналогии,
x=np.arange(27).reshape(3,3,3)
np.where(x>4)
вернет кортеж длиной 3, потому что x имеет 3 измерения.
Но подождите, это еще не все!
когда добавляются два дополнительных аргумента np.where; он выполнит операцию замены для всех тех парных комбинаций строка-столбец, которые получаются указанным выше кортежем.
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.whereу них есть 2 «рабочих режима», первый возвращаетindices, гдеcondition is Trueи если присутствуют необязательные параметрыxиy(conditionтакая же форма, как или передаваемая в такую форму!), Он вернет значения,xкогда вcondition is Trueпротивном случае изy. Это делает егоwhereболее универсальным и позволяет использовать его чаще. Спасибо