web-dev-qa-db-ja.com

python numpy.where（）はどのように機能しますか？

私はnumpyで遊んで、ドキュメントを掘り下げていて、いくつかの魔法に出会いました。すなわち、私はnumpy.where()について話している：

>>> x = np.arange(9.).reshape(3, 3)
>>> np.where( x > 5 )
(array([2, 2, 2]), array([0, 1, 2]))

x > 5のようなものをメソッドに渡すことができることを、内部的にどのように実現しますか？ __gt__と関係があると思いますが、詳細な説明を探しています。

pythonnumpymagic-methods
89
pajton

X> 5のようなものをメソッドに渡すことができることを、内部的にどのように実現しますか？

短い答えはそうではないということです。

Numpy配列に対するあらゆる種類の論理演算は、ブール配列を返します。 （つまり、__gt__、__lt__などはすべて、指定された条件が真であるブール配列を返します）。

例えば。

x = np.arange(9).reshape(3,3)
print x > 5

収量：

array([[False, False, False],
       [False, False, False],
       [ True,  True,  True]], dtype=bool)

これは、xがnumpy配列の場合にif x > 5:のようなものがValueErrorを発生させる理由と同じです。これは、単一の値ではなく、True/False値の配列です。

さらに、numpy配列はブール配列によってインデックスを付けることができます。例えば。 x[x>5]は[6 7 8]を生成します（この場合）。

正直なところ、実際にnumpy.whereが必要になることはほとんどありませんが、ブール配列がTrueであるインデックスを返すだけです。通常、単純なブールインデックスを使用して、必要なことを実行できます。

72
Joe Kington

古い回答それはちょっと紛らわしいです。それはあなたの状態が真実である場所（それらすべて）を提供します。

そう：

>>> 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

List.index（）の代替として使用していますが、他にも多くの用途があります。 2D配列で使用したことはありません。

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

新しい回答その人はもっと根本的なことを求めていたようです。

問題は、どのように機能（どこなど）が要求されたかを知ることができる何かを実装できるかということでした。

最初に、比較演算子のいずれかを呼び出すと面白いことが行われることに注意してください。

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)`

これは、「__ gt__」メソッドをオーバーロードすることによって行われます。例えば：

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


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

ご覧のとおり、「a> 4」は有効なコードです。

オーバーロードされたすべての関数の完全なリストとドキュメントは、ここで入手できます。 http://docs.python.org/reference/datamodel.html

驚くべきことは、これを行うことがいかに簡単かということです。 pythonのすべての操作はこのような方法で行われます。 a> bと言うことはa。gt（b）と同等です！

23
Garrett Berg

np.whereは、呼び出されたnumpy ndarrayの次元に等しい長さのTupleを返します（言い換えるとndim）。Tupleの各項目は、それらのすべての値のインデックスのnumpy ndarrayです。条件がTrueである初期ndarray。 （寸法と形状を混同しないでください）

例えば：

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は、x.ndimが2であるため、長さ2のタプルです。タプルの1番目の項目には4より大きいすべての要素の行番号が含まれ、2番目の項目には4より大きいすべての項目の列番号が含まれます[1,2,2,2]は5,6,7,8の行番号に対応し、[2,0,1,2]は5,6,7,8の列番号に対応しています。 ndarrayは最初の次元に沿って（行ごとに）走査されます。

同様に、

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


xは3次元なので、長さ3のタプルを返します。

しかし、待って、np.whereにはまだあります！

2つの追加の引数がnp.whereに追加されたとき;上記のタプルで取得されたすべてのペアの行と列の組み合わせに対して置換操作を実行します。

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]])
0
Piyush Singh