10.1 比较函数概述#

数据分析中经常需要根据条件筛选数据，NumPy 提供了一系列比较函数来实现逐元素的条件判断。下表列出了本节涉及的比较函数：

函数	功能
`np.greater(a, b)`	逐元素判断 a 是否大于 b
`np.less(a, b)`	逐元素判断 a 是否小于 b
`np.equal(a, b)`	逐元素判断 a 是否等于 b
`np.logical_and(a, b)`	逐元素逻辑与运算
`np.logical_or(a, b)`	逐元素逻辑或运算
`np.logical_not(a)`	逐元素逻辑非运算
`np.any(a)`	检查数组中是否至少有一个 `True`
`np.all(a)`	检查数组中是否全部元素为 `True`
`np.where(condition, x, y)`	根据条件选择元素
`np.select(condlist, choicelist)`	多条件选择元素

10.2 大于、小于、等于#

这三个函数用于逐元素比较两个数组（或数组与标量）的大小关系，返回布尔数组。

1
import numpy as np
2

3
# 是否大于
4
print(np.greater([3, 4, 5, 6, 7], 4))
5
# 是否小于
6
print(np.less([3, 4, 5, 6, 7, 8], 4))
7
# 是否等于
8
print(np.equal([3, 4, 5, 6, 7, 8], 4))
9
print(np.equal([3, 4, 5], [4, 4, 4]))

输出：

1
[False False  True  True  True]
2
[ True False False False False False]
3
[False  True False False False False]
4
[False  True False]

要点说明：

当第二个参数是标量时，每个元素与该标量比较，等价于使用 >、<、== 运算符。
当两个数组长度相同时，逐位置一一对应比较。
返回值是一个布尔数组，常配合布尔索引使用（参见第6节）。

10.3 逻辑运算#

np.logical_and()、np.logical_or() 和 np.logical_not() 用于对布尔数组进行逐元素的逻辑运算。

1
print(np.logical_and([1, 0], [1, 1]))    # 逻辑与
2
print(np.logical_not([1, 0]))             # 逻辑非
3
print(np.logical_or([0, 0], [1, 0]))      # 逻辑或

输出：

1
[ True False]
2
[False  True]
3
[ True False]

要点说明：

np.logical_and()：两个输入都为真时返回 True。
np.logical_or()：至少一个输入为真时返回 True。
np.logical_not()：对布尔值取反。
在布尔索引中组合多个条件时，使用 &（与）、|（或）运算符（参见第6节）。

10.4 any 与 all#

np.any() 检查数组中是否至少有一个 True，np.all() 检查数组中是否全部为 True。

1
# 检查是否至少有一个元素为 True
2
print(np.any([0, 1, 0, 0, 0]))
3
print(np.any([0, 0, 0, 0, 0]))
4

5
# 检查是否全部元素为 True
6
print(np.all([1, 1]))
7
print(np.all([1, 0]))

输出：

1
True
2
False
3
True
4
False

这两个函数常用于数据验证场景，例如检查数据集中是否存在缺失值、所有样本是否满足某个条件等。

10.5 np.where()#

np.where(condition, x, y) 是条件筛选的核心函数。当 condition 为 True 时取 x 对应的值，否则取 y 对应的值。

1
arr = np.array([1, 2, 3, 4, 5])
2

3
print(np.where(arr > 3, arr, 0))   # 大于3的保留原值，否则置0
4
print(np.where(arr < 3, 1, 0))     # 小于3的置1，否则置0

输出：

1
[0 0 0 4 5]
2
[1 1 0 0 0]

实际应用：成绩等级评定

1
score = np.random.randint(50, 100, 20)
2
print(score)
3
print(np.where(score >= 60, '及格', '不及格'))

输出（结果随机）：

1
[53 89 59 69 71 86 73 56 74 74 62 51 88 89 73 96 74 67 87 75]
2
['不及格' '及格' '不及格' '及格' '及格' '及格' '及格' '不及格' '及格' '及格' '及格' '不及格' '及格' '及格'
3
 '及格' '及格' '及格' '及格' '及格' '及格']

嵌套 np.where() 实现多级判定：

1
print(np.where(
2
    score < 60, '不及格', np.where(
3
        score < 80, '良好', '优秀'
4
    )
5
))

输出（结果随机）：

1
['不及格' '优秀' '不及格' '良好' '良好' '优秀' '良好' '不及格' '良好' '良好' '良好' '不及格' '优秀' '优秀'
2
 '良好' '优秀' '良好' '良好' '优秀' '良好']

通过嵌套 np.where()，可以实现”不及格 / 良好 / 优秀”三级分类。逻辑是：先判断是否小于 60，若是则”不及格”；否则再判断是否小于 80，若是则”良好”，否则”优秀”。

10.6 np.select()#

当条件分支较多时，嵌套 np.where() 可读性较差。np.select(condlist, choicelist) 提供更清晰的多条件选择方式。

1
print(np.select(
2
    [score > 80, (score >= 60) & (score <= 80), score < 60],
3
    ['优秀', '良好', '不及格'],
4
    default='未知'
5
))

输出（结果随机）：

1
['不及格' '优秀' '不及格' '良好' '良好' '优秀' '良好' '不及格' '良好' '良好' '良好' '不及格' '优秀' '优秀'
2
 '良好' '优秀' '良好' '良好' '优秀' '良好']

要点说明：

condlist：条件列表，按顺序逐一判断，命中的第一个条件对应的值被选中。
choicelist：返回值列表，与条件列表一一对应。
default：当所有条件都不满足时的兜底值。
条件按顺序匹配（类似 if-elif-else），排在前面的条件优先级更高。

10.7 本节小结#

本节完成了以下内容：

掌握了 np.greater()、np.less()、np.equal() 逐元素比较函数。
掌握了 np.logical_and()、np.logical_or()、np.logical_not() 逻辑运算。
掌握了 np.any() 和 np.all() 的数组整体真值判断。
掌握了 np.where() 条件筛选与嵌套多级判定。
掌握了 np.select() 多条件选择及其 default 参数。

下一节我们将学习 NumPy 中的排序函数，包括排序、去重、数组拼接与分割。

Luquiesceneの小屋

10.1 比较函数概述#

10.2 大于、小于、等于#

10.3 逻辑运算#

10.4 any 与 all#

10.5 np.where()#

10.6 np.select()#

10.7 本节小结#

数据分析

继续阅读

换条路线

评论

Luquiesceneの小屋

10.1 比较函数概述#

10.2 大于、小于、等于#

10.3 逻辑运算#

10.4 any 与 all#

10.5 np.where()#

10.6 np.select()#

10.7 本节小结#

分享文章

沿着主题读

换条路线

评论