numpy.where使用方法

要想弄清楚np.where怎么使用，需要对矩阵中每个元素的位置表示方式有所了解，下面介绍一下它的两个主要用法

1. np.where(condition, x, y)；满足条件(condition)，输出x，不满足输出y。

>>> aa = np.arange(10)
>>> np.where(aa,1,-1)
array([-1,  1,  1,  1,  1,  1,  1,  1,  1,  1])  # 0为False，所以第一个输出-1
>>> np.where(aa > 5,1,-1)
array([-1, -1, -1, -1, -1, -1,  1,  1,  1,  1])

>>> np.where([[True,False], [True,True]],    # 官网上的例子
             [[1,2], [3,4]],
             [[9,8], [7,6]])
array([[1, 8],
       [3, 4]])

上面这个例子的条件为[[True,False], [True,False]]，分别对应最后输出结果的四个值。第一个值从[1,9]中选，因为条件为True，所以是选1。第二个值从[2,8]中选，因为条件为False，所以选8，后面以此类推。类似的问题可以再看个例子：

>>> a = 10
>>> np.where([[a > 5,a < 5], [a == 10,a == 7]],
             [["chosen","not chosen"], ["chosen","not chosen"]],
             [["not chosen","chosen"], ["not chosen","chosen"]])

array([['chosen', 'chosen'],
       ['chosen', 'chosen']], dtype='<U10')

2. np.where(condition)；只有条件 (condition)，没有x和y，则输出满足条件 (即非0) 元素的坐标 。这里的坐标以tuple的形式给出，通常原数组有多少维，输出的tuple中就包含几个数组，分别对应符合条件元素的各维坐标。

>>> a = np.array([2,4,6,8,10])
>>> np.where(a > 5)             # 返回索引
(array([2, 3, 4]),)   
>>> a[np.where(a > 5)]              # 等价于 a[a>5]
array([ 6,  8, 10])

>>> np.where([[0, 1], [1, 0]])
(array([0, 1]), array([1, 0]))

上面这个例子条件中[[0,1],[1,0]]的真值为两个1，各自的第一维坐标为[0,1]，第二维坐标为[1,0] 。下面再举个三维的例子感受一下：

>>> a = np.arange(27).reshape(3,3,3)
>>> a
array([[[ 0,  1,  2],
        [ 3,  4,  5],
        [ 6,  7,  8]],

       [[ 9, 10, 11],
        [12, 13, 14],
        [15, 16, 17]],

       [[18, 19, 20],
        [21, 22, 23],
        [24, 25, 26]]])

>>> np.where(a > 5)
(array([0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2]),
 array([2, 2, 2, 0, 0, 0, 1, 1, 1, 2, 2, 2, 0, 0, 0, 1, 1, 1, 2, 2, 2]),
 array([0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2]))


# 符合条件的元素为
       [ 6,  7,  8]],

      [[ 9, 10, 11],
       [12, 13, 14],
       [15, 16, 17]],

      [[18, 19, 20],
       [21, 22, 23],
       [24, 25, 26]]]

np.where会输出每个元素的对应的坐标，因为原数组有三维，所以tuple中有三个数组。

3. 最后加上一段我自己为了方便理解某个项目里面的一段关于np.where的代码特意加的内容，主要为了自己看，和上文不构成直接关系(哈哈)

>>>prob=np.arange(0,9).reshape(3,3)
>>>prob
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

>>>pick=np.where(prob>4)
>>>print(pick)
>>>print(pick[0],pick[0].shape)
>>>print(pick[1],pick[1].shape)
>>>print(type(pick))
(array([1, 2, 2, 2], dtype=int64), array([2, 0, 1, 2], dtype=int64))
[1 2 2 2] (4,)
[2 0 1 2] (4,)
<class 'tuple'>

>>>roi=np.arange(0,36).reshape(4,3,3)
>>>roi
array([[[ 0,  1,  2],
        [ 3,  4,  5],
        [ 6,  7,  8]],

       [[ 9, 10, 11],
        [12, 13, 14],
        [15, 16, 17]],

       [[18, 19, 20],
        [21, 22, 23],
        [24, 25, 26]],

       [[27, 28, 29],
        [30, 31, 32],
        [33, 34, 35]]])

>>>for i in range(4):
      res=roi[i][pick]
      print(res,res.shape)
      
[5 6 7 8] (4,)
[14 15 16 17] (4,)
[23 24 25 26] (4,)
[32 33 34 35] (4,)