NumPy - 数组过滤

NumPy 中的数组过滤

NumPy 中的数组过滤功能允许您根据特定条件选择和处理数据子集。此过程对于提取相关数据、执行条件运算以及分析数据子集非常有用。

我们可以在 NumPy 中通过创建一个布尔数组(掩码)来执行过滤，其中每个元素指示原始数组中对应元素是否满足指定条件。然后，此掩码用于索引原始数组，提取满足条件的元素。

NumPy 提供了多种通过布尔索引和条件运算过滤数组的方法。

使用布尔索引进行基本过滤

布尔索引允许您根据条件过滤数组元素。通过对数组应用条件，您可以获得一个布尔数组，可用于索引原始数组。

示例

在以下示例中，我们从给定数组中筛选出大于值"10"的元素 -

import numpy as np

# 创建数组
array = np.array([1, 5, 8, 12, 20, 3])

# 定义条件
condition = array > 10

# 应用条件过滤数组
filtered_array = array[condition]

print("原始数组:", array)
print("过滤后的数组(元素 > 10):", filtered_array)

以下是获得的输出 -

原始数组:[ 1 5 8 12 20 3]
过滤后的数组(元素 > 10):[12 20]

使用多个条件进行过滤

使用多个条件进行过滤允许您从 NumPy 数组中选择同时满足多个条件的元素。这是通过使用逻辑运算符组合多个布尔条件来实现的，如下所示:-

• AND (&) - 选择同时满足两个条件的元素。
• OR (|) - 选择至少满足其中一个条件的元素。
• NOT (~) - 选择不满足条件的元素。

然后使用表示组合条件的结果布尔数组对原始数组进行索引，提取满足所有指定条件的元素。

示例

在此示例中，我们使用多个条件过滤一定范围内的元素 -

import numpy as np

# 创建数组
array = np.array([1, 5, 8, 12, 20, 3])

# 定义多个条件
condition = (array > 5) & (array < 15)

# 应用条件过滤数组
filtered_array = array[condition]

print("原始数组:", array)
print("过滤后的数组 (5 < 元素 < 15):", filtered_array)

这将产生以下结果 -

原始数组:[ 1 5 8 12 20 3]
过滤后的数组 (5 < 元素 < 15):[ 8 12]

使用函数进行过滤

使用函数进行过滤时，通常会定义一个函数，该函数以数组元素作为输入，并返回一个布尔值(True 或 False)，指示每个元素是否应包含在结果中。

然后，将此函数应用于数组，并使用生成的布尔数组对原始数据进行索引和过滤。

示例:使用 where() 函数进行过滤

在下面的示例中，我们使用 where() 函数在 NumPy 中过滤元素 -

import numpy as np

# 创建数组
array = np.array([1, 5, 8, 12, 20, 3])

# 定义条件
condition = array > 10

# 过滤元素
filtered_indices = np.where(condition)
filtered_array = array[filtered_indices]

print("原始数组:", array)
print("使用 np.where 过滤后的数组(元素 > 10):", filtered_array)

此函数返回条件为"真"的索引。这些索引用于提取过滤后的元素，如下图所示 -

原始数组:[ 1 5 8 12 20 3]
使用 np.where 过滤后的数组(元素 > 10):[12 20]

示例:使用自定义函数过滤

让我们通过一个示例，使用自定义函数根据特定条件过滤数组 -

import numpy as np

# 创建一个 NumPy 数组
array = np.array([10, 15, 20, 25, 30, 35])

# 定义一个自定义函数进行过滤
def is_prime(num):
   """Return True if num is a prime number, False otherwise."""
   if num <= 1:
      return False
   for i in range(2, int(np.sqrt(num)) + 1):
      if num % i == 0:
         return False
   return True

# 将函数应用于数组的每个元素
mask = np.array([is_prime(x) for x in array])

# 使用掩码过滤数组
filtered_array = array[mask]

print("原始数组:", array)
print("掩码(素数):", mask)
print("过滤后的数组(素数):", filtered_array)

输出结果如下 -

原始数组:[10 15 20 25 30 35]
掩码(素数):[False False False False False False]
过滤后的数组(素数):[]

多维数组中的过滤

在多维数组中，可以使用布尔索引进行过滤，类似于一维数组。但是，您需要确保过滤条件能够正确处理数组的维度。

以下是在多维数组中进行过滤的步骤 -

• 定义过滤条件 - 创建应用于数组元素的布尔条件。这些条件可以基于值或其他标准。
• 跨维度应用条件 - 使用这些条件来索引和选择元素。对于多维数组，您可能需要处理特定维度的条件，或将条件应用于所有维度。

示例

考虑一个二维数组，我们希望根据应用于特定列元素的条件来过滤行 -

import numpy as np

# 创建二维 NumPy 数组
array = np.array([[10, 20, 30],
                  [15, 25, 35],
                  [20, 30, 40]])

# 定义过滤条件
# 选择第二列值大于 25 的行
condition = array[:, 1] > 25

# 使用条件过滤数组
filtered_array = array[condition]

print("原始数组:
", array)
print("条件(第二列值 > 25):", condition)
print("过滤后的数组:
", filtered_array)

执行上述代码后，我们得到以下输出 -

原始数组:
[[10 20 30]
[15 25 35]
[20 30 40]]
条件(第二列值 > 25):[False False True]
过滤后的数组:
[[20 30 40]]