Python中NumPy如何实现条件筛选与掩码替换-Python教程-PHP中文网

numpy中条件筛选需用布尔索引而非if语句，如arr[arr > 5]；多条件用&、|、~；np.where实现三元选择，np.select支持多分支逻辑。

python中numpy如何实现条件筛选与掩码替换

用布尔索引做条件筛选，不是用if语句

NumPy里不能对数组写 if arr > 0: 这种Python原生条件判断——它会报 ValueError: The truth value of an array with more than one element is ambiguous。正确做法是让条件本身返回一个布尔数组，再用它当索引。

比如想取出所有大于5的元素：

import numpy as np
arr = np.array([3, 7, 1, 9, 4])
mask = arr > 5  # 返回 [False, True, False, True, False]
result = arr[mask]  # 得到 [7, 9]

注意：布尔索引返回的是**新数组副本**，不是视图；修改 result 不会影响原 arr。

多个条件用 &（不是 and）、|（不是 or）、~（不是 not）
arr[(arr >= 2) & (arr —— 必须加括号，运算符优先级会导致错误
空条件（如 arr[arr > 100]）返回空数组，不会报错，但后续操作可能意外出错

用`np.where`做掩码替换，比循环快得多

np.where 是最常用、也最容易误用的掩码替换工具。它不只返回索引，还能直接构造新值。

基础用法：np.where(condition, x, y) 表示“满足 condition 就取 x 对应位置的值，否则取 y 的”。x 和 y 可以是标量、数组，甚至另一个表达式。

arr = np.array([1, 6, 3, 8, 2])
new_arr = np.where(arr > 5, -1, arr)  # [1, -1, 3, -1, 2]

常见陷阱：

别把 np.where 当成“找下标”专用函数——它默认做的是三元选择，不是 np.argwhere
如果只想改一部分值，又想原地修改，用 arr[mask] = new_value 更直观，比如 arr[arr
x 和 y 类型不一致时，结果类型由 NumPy 类型提升规则决定，可能意外变成 float64，影响内存或后续计算

处理NaN和无穷值时，`np.isfinite`比`!=`更可靠

直接写 arr != np.nan 永远返回 False，因为 NaN 不等于任何值（包括自己）。同理，arr == np.inf 在某些版本也不稳定。

必须用专门的判断函数：

361SCAN security check your skill python scripts

扫描并分析已安装技能，用于查看指定技能目录的名称、描述和详情，或列出所有已安装的技能。

下载

np.isfinite(arr)：True 表示是普通数字（非 NaN、非 inf、非 -inf）
np.isnan(arr)：只对 NaN 返回 True
np.isinf(arr)：对 ±inf 都返回 True

实际替换 NaN 的典型写法：

arr = np.array([1.0, np.nan, 3.0, np.inf])
clean = np.where(np.isfinite(arr), arr, 0)  # [1., 0., 3., 0.]

注意：np.nan 是浮点概念，整数数组里不会自然出现 NaN；若从 Pandas 导入数据，可能含 pd.NA，需先转为 float 或用 pandas.isna 处理。

高级场景：用`np.select`处理多分支条件

当条件超过两个，嵌套 np.where 会变得难读且低效。这时 np.select 更合适。

它接收三个参数：condlist（条件列表）、choicelist（对应值列表）、default（默认值）。

arr = np.array([1, 4, 7, 10, 12])
condlist = [arr = 3) & (arr = 8]
choicelist = ['low', 'mid', 'high']
result = np.select(condlist, choicelist, default='unknown')

输出：['low' 'mid' 'mid' 'high' 'high']

关键细节：