如何在numpy数组上执行元素明智的布尔操作

例如，我想要创build一个掩码值为40到60的元素的掩码：

foo = np.asanyarray(range(100)) mask = (foo < 40).__or__(foo > 60) 

这看起来很丑，我不能写：

 (foo < 40) or (foo > 60) 

因为我结束了：

  ValueError Traceback (most recent call last) ... ----> 1 (foo < 40) or (foo > 60) ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all() 

有没有一个规范的方式做元素明智的布尔操作numpy数组，具有良好的代码？

Answer 1

你尝试过吗？

 mask = (foo < 40) | (foo > 60) 

注意：对象中的__or__方法重载按位或运算符（ | ），而不是布尔or运算符。

Answer 2

如果您只在布尔值范围内进行比较，则可以使用按位或运算符| 正如Jcollado所build议的那样。 但是要小心，如果你使用了非布尔值，那么这会给你带来奇怪的结果，比如mask = (foo < 40) | override mask = (foo < 40) | override 。 只要override保证为False，True，1或0，你是否还好。

更普遍的是使用numpy的比较集操作符np.any和np.all 。 这段代码返回35到45之间的所有值，它们都小于40或者不是3的倍数：

 import numpy as np foo = np.arange(35, 46) mask = np.any([(foo < 40), (foo % 3)], axis=0) print foo[mask] OUTPUT: array([35, 36, 37, 38, 39, 40, 41, 43, 44]) 

不如用| ，但比你的问题中的代码更好。

Answer 3

您可以使用numpy逻辑操作 。 在你的例子中：

np.logical_or（foo <40，foo> 60）

Answer 4

请注意，您可以使用~作为元素否定。

 arr = np.array([False, True]) ~arr OUTPUT: array([ True, False], dtype=bool) 

也& elementwise 和

 arr_1 = np.array([False, False, True, True]) arr_2 = np.array([False, True, False, True]) arr_1 & arr_2 OUTPUT: array([False, False, False, True], dtype=bool) 

这些也适用于pandas系列

 ser_1 = pd.Series([False, False, True, True]) ser_2 = pd.Series([False, True, False, True]) ser_1 & ser_2 OUTPUT: 0 False 1 False 2 False 3 True dtype: bool