Jak python numpy.gdzie () pracować?

Stara Odpowiedź to trochę mylące. Daje Ci lokalizacje (wszystkie z nich), gdzie twoje stanowisko jest prawdziwe.

Więc:

>>> 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

Używam go jako alternatywy dla listy.index (), ale ma również wiele innych zastosowań. Nigdy nie używałem go z tablicami 2D.

Http://docs.scipy.org/doc/numpy/reference/generated/numpy.where.html

Nowa Odpowiedź Wydaje się, że osoba pytała o coś bardziej fundamentalnego.

Pytanie brzmiało jak czy można zaimplementować coś, co pozwala funkcji (np. gdzie) wiedzieć, co było wymagane.

Najpierw zauważ, że wywołanie któregoś z operatorów porównania robi interesującą rzecz.

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)`

Odbywa się to przez przeciążenie metody "__gt__". Na przykład:

>>> class demo(object):
    def __gt__(self, item):
        print item


>>> a = demo()
>>> a > 4
4

Jak widzisz, "a > 4" był poprawnym kodem.

Możesz uzyskać pełną listę i dokumentację wszystkich przeciążonych funkcji tutaj: http://docs.python.org/reference/datamodel.html

Coś to niesamowite, jak proste jest to zrobić. Wszystkie operacje w Pythonie są wykonywane w taki sposób. Powiedzenie a > b jest równoważne a. gt(b)!

np.where zwraca krotkę o długości równej wymiarowi numpy ndarray, na którym jest wywoływana (innymi słowy ndim), a każdy element krotki jest numpy ndarray indeksów wszystkich tych wartości w początkowym ndarray, dla których warunek jest prawdziwy. (Proszę nie mylić wymiaru z kształtem)

Na przykład:

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 jest krotką długości 2, Ponieważ x.ndim jest 2. Pierwszy element w krotce zawiera liczbę wierszy wszystkich elementów większych niż 4, a drugi element zawiera numery kolumn wszystkich pozycji większe niż 4. Jak widać, [1,2,2,2] odpowiada numerom wierszy 5,6,7,8, a [2,0,1,2] odpowiada numerom kolumn 5,6,7,8 Zauważ, że ndarray jest przesuwany wzdłuż pierwszego wymiaru(w zależności od rzędu).

Podobnie,

x=np.arange(27).reshape(3,3,3)
np.where(x>4)

zwróci krotkę o długości 3, ponieważ x ma 3 Wymiary.

Po dodaniu dwóch dodatkowych argumentów do np.where; wykona operację replace dla wszystkie te pary kombinacji wierszy i kolumn, które uzyskuje się przez powyższą krotkę.

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]])