我們了解了如何使用索引進行切片以及選擇 ndarray 元素。當我們知道要選擇的元素的確切索引時，這些方法很有用。但是，在很多情況下，我們不知道要選擇的元素的索引。例如，假設有一個 10,000 x 10,000 ndarray，其中包含從 1 到 15,000 的隨機整數，我們只想選擇小于 20 的整數。這時候就要用到布爾型索引。

來看這樣一個例子，假設我們有一個用于存儲數據的數組以及一個存儲姓名的數組(含有重復項)。在這里，我將使用numpy.random中的randn函數生成一些正態分布的隨機數據：

names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])

data =np.random.randn(7,4)

data

out

array([[-0.53447574, 0.44543995, 0.20598584, 1.08783591],

[-0.77863291, 0.19012144, -0.57628278, 2.21230602],

[-1.94785822, 1.75829325, 0.76416317, -0.26749686],

[ 1.55128542, -0.48229173, -0.10775036, 1.82210628],

[-0.75344013, 1.49328631, 0.19576227, -1.37773471],

[-0.28998065, -0.54219643, 0.44587161, -1.17333163],

[ 2.28372601, 0.9102604 , -0.15811983, 1.16763758]])

假設每個名字都對應data數組中的一行，而我們想要選出對應于名字"Bob"的所有行。跟算術運算一樣，數組的比較運算(如==)也是矢量化的。因此，對names和字符串"Bob"的比較運算將會產生一個布爾型數組:

names == "Bob"

out

array([ True, False, False, True, False, False, False])

********************************************************

data[names =='Bob'] #True為選擇，False為不選擇

out

array([[7., 7., 7., 7.],

[7., 7., 7., 7.]])

布爾型數組的長度必須跟被索引的軸長度一致。此外，還可以將布爾型數組跟切片、整數(或整數序列，稍后將對此進行詳細講解)混合使用：

data[names == 'Bob']

out

array([[-1.33599022, 0.04700321, 0.98537189, 0.33183721],

[-0.2225323 , 0.10320653, 1.24636372, -0.38496333]])注意：如果布爾型數組的長度不對，布爾型選擇就會出錯，因此一定要小心。

下面的例子，我選取了names == 'Bob'的行，并索引了列：

data[names == 'Bob', 2:]

out

array([[ 0.98537189, 0.33183721],

[ 1.24636372, -0.38496333]])

********************************************************

data[names == 'Bob', 3]

out

要選擇除"Bob"以外的其他值，既可以使用不等于符號(!=)，也可以通過~對條件進行否定：

names != "Bob"

out

array([False, True, True, False, True, True, True])

********************************************************

data[~(names == 'Bob')]

out

array([[ 0.04813526, 0.481971 , -0.23318465, -0.08770203],

[ 2.39572745, -0.03834795, -0.49294046, -0.76124253],

[-0.30962763, 0.3454903 , 0.30120547, 0.82999187],

[-1.46354427, -1.00491798, 0.4574028 , 1.26923957],

[ 0.46142634, 1.55466835, -0.54772161, -0.65769753]])

~操作符用來反轉條件很好用

cond = names == 'Bob'

data[~cond]

out

array([[ 0.04813526, 0.481971 , -0.23318465, -0.08770203],

[ 2.39572745, -0.03834795, -0.49294046, -0.76124253],

[-0.30962763, 0.3454903 , 0.30120547, 0.82999187],

[-1.46354427, -1.00491798, 0.4574028 , 1.26923957],

[ 0.46142634, 1.55466835, -0.54772161, -0.65769753]])

選取這三個名字中的兩個需要組合應用多個布爾條件，使用&(和)、|(或)之類的布爾算術運算符即可：

mask = (names == "Bob") | (names == "Will" )

mask

out

array([ True, False, True, True, True, False, False])

********************************************************

data[mask]

out

array([[-1.33599022, 0.04700321, 0.98537189, 0.33183721],

[ 2.39572745, -0.03834795, -0.49294046, -0.76124253],

[-0.2225323 , 0.10320653, 1.24636372, -0.38496333],

[-0.30962763, 0.3454903 , 0.30120547, 0.82999187]])

通過布爾型索引選取數組中的數據，將總是創建數據的副本，即使返回一模一樣的數組也是如此。注意：Python關鍵字and和or在布爾型數組中無效。要使用&與|。

通過布爾型數組設置值是一種經常用到的手段。為了將data中的所有負值都設置為0，我們只需：

data[data < 0] = 0

data

out

array([[0. , 0.04700321, 0.98537189, 0.33183721],

[0.04813526, 0.481971 , 0. , 0. ],

[2.39572745, 0. , 0. , 0. ],

[0. , 0.10320653, 1.24636372, 0. ],

[0. , 0.3454903 , 0.30120547, 0.82999187],

[0. , 0. , 0.4574028 , 1.26923957],

[0.46142634, 1.55466835, 0. , 0. ]])

通過一維布爾數組設置整行或列的值也很簡單：

data[names != 'Joe'] = 7

data

out

array([[7. , 7. , 7. , 7. ],

[0.04813526, 0.481971 , 0. , 0. ],

[7. , 7. , 7. , 7. ],

[7. , 7. , 7. , 7. ],

[7. , 7. , 7. , 7. ],

[0. , 0. , 0.4574028 , 1.26923957],

[0.46142634, 1.55466835, 0. , 0. ]])

后面會看到，這類二維數據的操作也可以用pandas方便的來做。

下期我們將分享Numpy的花式索引，如果喜歡請點贊收藏，您的支持是我最大的動力，謝謝大家，共同進步。掃描二維碼關注全部內容

總結

以上是生活随笔為你收集整理的python布尔系列_python数据分析类库系列-Numpy之布尔型索引的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。