python numpy.where（）はどのように機能しますか？

私はnumpyドキュメントをいじって、調べていて、いくつかの魔法に出会いました。つまり、私は話しているnumpy.where()：

>>> x = np.arange(9.).reshape(3, 3)
>>> np.where( x > 5 )
(array([2, 2, 2]), array([0, 1, 2]))

あなたはx > 5メソッドに何かを渡すことができるということを内部でどのように達成しますか？何か関係があると思います__gt__が、詳しい説明を探しています。

x> 5のようなものをメソッドに渡すことができるということを、内部でどのように実現しますか？

簡単に言えば、そうではありません。

numpy配列に対するあらゆる種類の論理演算は、ブール配列を返します。（すなわち__gt__、__lt__等は全て、所与の条件が真のブール配列を返します）。

例えば

x = np.arange(9).reshape(3,3)
print x > 5

利回り：

array([[False, False, False],
       [False, False, False],
       [ True,  True,  True]], dtype=bool)

これは、がnumpy配列のif x > 5:場合にValueErrorが発生するのと同じ理由xです。これはTrue / False値の配列であり、単一の値ではありません。

さらに、numpy配列はブール配列によってインデックスを付けることができます。たとえば、この場合はx[x>5]yields [6 7 8]です。

正直なところ、実際に必要になることはほとんどありませんnumpy.whereが、ブール配列が存在するインデックスを返すだけですTrue。通常、必要なことは単純なブールインデックスで実行できます。

古い回答 それはちょっと混乱しています。それはあなたの文が真実である場所（あなたのすべて）をあなたに与えます。

そう：

>>> a = np.arange(100)
>>> np.where(a > 30)
(array([31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47,
       48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64,
       65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81,
       82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98,
       99]),)
>>> np.where(a == 90)
(array([90]),)

a = a*40
>>> np.where(a > 1000)
(array([26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42,
       43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59,
       60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76,
       77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93,
       94, 95, 96, 97, 98, 99]),)
>>> a[25]
1000
>>> a[26]
1040

list.index（）の代わりとして使用していますが、他にも多くの用途があります。2D配列で使用したことはありません。

http://docs.scipy.org/doc/numpy/reference/generated/numpy.where.html

新しい答え その人はもっと根本的な何かを求めていたようです。

問題は、要求されたものを関数（場所など）が認識できるようにする方法を実装することでした。

最初に、比較演算子のいずれかを呼び出すと興味深いことが行われることに注意してください。

a > 1000
array([False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True`,  True,  True,  True,  True,  True,  True,  True,  True,  True], dtype=bool)`

これは、「__ gt__」メソッドをオーバーロードすることによって行われます。例えば：

>>> class demo(object):
    def __gt__(self, item):
        print item


>>> a = demo()
>>> a > 4
4

ご覧のとおり、「a> 4」は有効なコードです。

ここで、オーバーロードされたすべての関数の完全なリストとドキュメントを入手できます：http : //docs.python.org/reference/datamodel.html

信じられないことは、これを行うのがいかに簡単かということです。Pythonでのすべての操作は、このような方法で行われます。a> bと言うことは、aと同等です。gt（b）！

np.where 呼び出されたnumpy ndarrayの次元に等しい長さのタプルを返します（つまり ndim）に各項目は、条件がTrueである初期ndarray内のすべての値のインデックスのnumpy ndarrayです。（寸法と形状を混同しないでください）

例えば：

x=np.arange(9).reshape(3,3)
print(x)
array([[0, 1, 2],
      [3, 4, 5],
      [6, 7, 8]])
y = np.where(x>4)
print(y)
array([1, 2, 2, 2], dtype=int64), array([2, 0, 1, 2], dtype=int64))

yは長さが2のタプルです。2であるためx.ndimです。タプルの最初のアイテムには4より大きいすべての要素の行番号が含まれ、2番目のアイテムには4より大きいすべてのアイテムの列番号が含まれます。ご覧のとおり、[1,2,2 、2]は5、6、7、8の行番号に対応し、[2、0、1、2]は5、6、7、8の列番号に対応します。ndarrayは最初の次元（行方向）に沿ってトラバースされることに注意してください）。

同様に、

x=np.arange(27).reshape(3,3,3)
np.where(x>4)

xは3次元なので、長さ3のタプルを返します。

しかし、待ってください、np.whereにはまだまだあります！

2つの引数が追加されたとき np.where。上記のタプルによって取得されたすべてのペアの行と列の組み合わせに対して置換操作を実行します。

x=np.arange(9).reshape(3,3)
y = np.where(x>4, 1, 0)
print(y)
array([[0, 0, 0],
   [0, 0, 1],
   [1, 1, 1]])