Du kan bruke funksjonen np.where() til å arbeide med NumPy-matriser i Python. Dens vektoriserte operasjoner gjør den mer effektiv enn sløyfebaserte metoder.

Hva gjør np.where?

Python-funksjonen np.where() er en kraftig metode fra NumPy-biblioteket og brukes til å velge elementer fra en matrise. Den identifiserer og trekker ut elementer som oppfyller en bestemt betingelse, og returnerer deretter indekser eller verdier som tilsvarer denne betingelsen.

Funksjonen brukes innenfor en rekke felt, for eksempel databehandling, vitenskapelige beregninger, maskinlæring og dataanalyse. Innenfor databehandling gjør np.where() det mulig å filtrere data og erstatte verdier i matriser.

Hva er syntaksen til np.where i Python?

Funksjonen np.where() tar en NumPy-lignende matrise som består av for eksempel heltall eller boolske verdier. Syntaksen ser slik ut:

import numpy as np
np.where(condition[, x, y])
python
  • condition: Dette er betingelsen som vil bli brukt på matrisen for å bestemme hvilke elementer som skal velges.
  • x og y (valgfritt): Hvis du angir x og y, vil verdiene fra x returneres når betingelsen er oppfylt. Ellers returneres verdiene fra y. Hvis du ikke angir x og y, vil np.where() returnere indeksene som oppfyller betingelsen.

Etter utførelse returnerer np.where() en ny NumPy-matrise. Den nye matrisen er resultatet av filtrering eller valg av elementer fra den opprinnelige matrisen basert på betingelsen.

Eksempler på hvordan man bruker np.where

np.where() er et allsidig verktøy for å bruke betingelser på matriser og er veldig nyttig for datamanipulering. Nedenfor ser vi på noen eksempler på hvordan den kan brukes.

Erstatt elementer i en NumPy-matrise

Funksjonen np.where() i NumPy gjør det mulig å erstatte elementer i en matrise basert på en betingelse. Før du begynner, kan du endre Python-lister til matriser ved hjelp av np.array().

import numpy as np
arr = np.array([1, 2, 3, 4, 5])
python

Nå som vi har vår matrise, ønsker vi å definere en betingelse for å identifisere elementer som er større enn 3. Vi kan gjøre dette med en betingelse som er True for elementer som er større enn 3 og ellers falsk:

condition = arr > 3
python

Deretter bruker vi np.where() og legger inn denne betingelsen. Vi fastsetter også at verdier som oppfyller betingelsen skal erstattes med -1, og at alle andre verdier skal erstattes med 0.

new_arr = np.where(condition, -1, 0)
python

Resultatet, new_arr, inneholder matrisen som er endret basert på betingelsen. I utdataene erstattes verdier som er større enn 3 med -1. Alle andre verdier erstattes med 0.

print(new_arr)
# Output: [0 0 0 -1 -1]
python

Bruk np.where med én enkelt betingelse

Hvis du bruker np.where() med bare én betingelse og uten erstatningsverdier, vil det returnere en tuple med indekser som betingelsen er sann for.

import numpy as np
arr = np.array([1, 2, 3, 4, 5])
condition = arr > 2
result = np.where(condition)
print(result)
# Output: (array([2, 3, 4]),)
python

I dette eksemplet er arr en NumPy-matrise som inneholder verdier fra 1 til 5. condition = arr > 2 oppretter en boolsk maske som identifiserer elementer i arr som er større enn 2. np.where(condition) utføres uten erstatningsverdier og returnerer som resultat en tuple med indekser som oppfyller betingelsen arr > 2. Utdataene er en matrise med indekser der elementene er større enn 2.

Kringkasting med np.where

I NumPy gjør kringkasting det mulig å utføre operasjoner med matriser av forskjellig form, forutsatt at visse betingelser er oppfylt. Når matriser har forskjellig form, vil NumPy prøve å forstørre dem slik at de blir kompatible.

La oss si at vi har en NumPy-matrise arr med formen (3, 3):

import numpy as np
arr = np.array([[1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]])
python

Og vi har en annen NumPy-matrise row med formen (3,):

row = np.array([10, 11, 12])
python

Formene på de to matrisene stemmer ikke helt overens, men kringkasting kan brukes til å muliggjøre operasjoner mellom dem. Hvis vi for eksempel ønsket å legge sammen verdiene fra hver rad i arr med verdiene i row, ville kringkasting gjøre dette mulig.

result = arr + row
print(result)
# Output: [[11 13 15]
    [14 16 18]
    [17 19 21]]
python

I eksemplet ovenfor ble den endimensjonale matrisen row forstørret til en (3, 3) matrise for å matche formen til arr. Deretter ble elementene i arr og row lagt sammen element for element.

Go to Main Menu