Python np.where Method

Mit der np.where()-Funktion können Sie gezielt mit NumPy-Arrays in Python arbeiten. Durch ihre vektorisierten Operationen ist sie zudem effizienter im Vergleich zu schleifenbasierten Methoden.

Wozu dient np.where in Python?

Die np.where()-Funktion in Python ist eine leistungsfähige Methode aus der Bibliothek NumPy, die für die bedingte Auswahl von Elementen aus einem Array geeignet ist. Sie identifiziert und extrahiert Elemente, die eine bestimmte Bedingung erfüllen, und gibt die Indizes oder die Werte zurück, die dieser Bedingung entsprechen.

Die np.where()-Funktion wird in verschiedenen Bereichen eingesetzt, darunter Datenverarbeitung, wissenschaftliche Berechnungen, maschinelles Lernen und Datenanalyse. In der Datenmanipulation ermöglicht np.where() das Filtern von Daten auf der Grundlage bestimmter Kriterien und das Ersetzen von Werten in Arrays.

Das ist die Syntax von Python np.where()

Die np.where()-Funktion akzeptiert ein NumPy-artiges Array, das beispielsweise aus Integern oder booleschen Werten besteht. Die Syntax der np.where()-Funktion in Python sieht konkret folgendermaßen aus:

import numpy as np
np.where(condition[, x, y])

• condition: Das ist die Bedingung, die auf das Array angewendet wird, um zu bestimmen, welche Elemente ausgewählt werden sollen.
• x und y (optional): Falls nur condition angegeben ist, gibt np.where() die Indizes der Elemente zurück, die die Bedingung erfüllen. Wenn x und y spezifiziert sind, werden die Werte aus x zurückgegeben, wo die Bedingung erfüllt ist, und die Werte aus y andernfalls.

Nachdem die np.where()-Funktion aufgerufen wurde, gibt sie als Ergebnis einen neuen NumPy-Array zurück. Dieser neue Array entsteht durch Filtern oder Auswählen von Elementen des ursprünglichen Arrays, basierend auf einer Bedingung. Hierbei entspricht jeder Wert True oder False in diesem Bedingungsarray der Auswahl oder Filterung des entsprechenden Elements im ursprünglichen Array.

Beispiele für den Einsatz von np.where()

Die Methode np.where() ist aufgrund ihrer Fähigkeit, bedingte Operationen auf Arrays durchzuführen, ein äußerst vielseitiges Werkzeug und eignet sich sehr gut, um Daten zu manipulieren.

Elemente in einem NumPy-Array ersetzen

Die np.where()-Funktion in NumPy ermöglicht es, Elemente in einem Array basierend auf einer Bedingung zu ersetzen. Dabei können Sie Python-Lists mit np.array() in ein Array wandeln:

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

Nun wollen wir eine Bedingung definieren, um Elemente zu identifizieren, die größer als 3 sind. Dies geschieht durch Erstellen einer Bedingungsmaske, die True ist für Elemente, die größer als 3 sind, und sonst False:

condition = arr > 3

Anschließend verwenden wir np.where() und geben diese Bedingung an. Dabei wird festgelegt, dass Werte, die der Bedingung entsprechen, durch -1 ersetzt werden, während alle anderen Werte mit 0 ausgetauscht werden:

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

Das Ergebnis, new_arr, enthält das modifizierte Array nach dem Ersetzen gemäß der Bedingung. Die Ausgabe wird zeigen, dass Werte, die größer als 3 waren, durch -1 ersetzt wurden, während die anderen Werte durch 0 ersetzt wurden:

print(new_arr)

np.where() mit nur einer Bedingung verwenden

Wenn numpy.where() nur mit einer Bedingung und ohne Angabe von Ersatzwerten eingesetzt wird, gibt sie ein Tupel von Indizes zurück, an denen die Bedingung True ist.

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]),)

In diesem Beispiel ist arr ein NumPy-Array, das Werte von 1 bis 5 enthält. condition = arr > 2 erstellt eine boolesche Maske, die Elemente in arr identifiziert, die größer als 2 sind. np.where(condition) wird ohne Angabe von Ersatzwerten aufgerufen. Dadurch wird ein Tupel von Indizes zurückgegeben, bei denen die Bedingung arr > 2 erfüllt ist. Die Ausgabe wird ein Array von Indizes sein, wo die Elemente von arr größer als 2 sind.

Broadcasting mit np.where()

Broadcasting in NumPy erlaubt Operationen zwischen Arrays mit unterschiedlichen Formen, solange bestimmte Regeln erfüllt sind. Wenn Arrays unterschiedliche Formen haben, versucht NumPy, diese so zu vergrößern, dass sie kompatibel werden.

Angenommen, wir haben ein NumPy-Array arr mit der Form (3, 3):

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

Und wir haben einen weiteren NumPy-Array row mit der Form (3,):

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

Hier ist die Form von arr (3, 3) und die Form von row (3,). Obwohl die Formen nicht genau übereinstimmen, kann Broadcasting verwendet werden, um eine Operation zwischen diesen Arrays auszuführen.

Nun wollen wir die Werte in jeder Zeile von arr mit den Werten in row addieren. Hier kommt Broadcasting ins Spiel:

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

Die eindimensionale row wurde in eine (3, 3)-Matrix vergrößert, um mit der Form von arr zu passen, indem sie über die Zeilen wiederholt wurde. Anschließend wurden die Elemente von arr und row elementweise addiert.