在用Python处理大量数据时，Python的数据科学库极为有用，这里要提到的就是Numpy库。在Numpy库里有个where函数，它是Python中三元表达式 x if condition else y的另一种版本。为了更好的理解numpy.where函数，我们来看几个where函数的使用例子。

传统三元表达式

有种情况，假设我们有xarr和yarr两个NumPy数组，还有一个cond的包含布尔值的数组。当cond值为True时，选取xarr对应的值，否则选取yarr。

xarr = np.array([1, 2, 3, 4, 5, 6])  
yarr = np.array([1.1, 2.1, 3.1, 4.1, 5.1, 6.1])  
cond = np.array([True, False, True, False, True, False])

result = [(x if c else y) for x, y, c in zip(xarr, yarr, cond)]  
result  

传统的方式就是向上面这样使用三元表达式 x if condition else y，但是它对大数组的处理速度不佳，因为所有判断都是用纯python来完成的，而且也无法用于多维数组。如果使用使用np.where则可以很方便的解决上述问题并且改写为如下方式：

import numpy as np

xarr = np.array([1, 2, 3, 4, 5, 6])  
yarr = np.array([1.1, 2.1, 3.1, 4.1, 5.1, 6.1])  
cond = np.array([True, False, True, False, True, False])  
np.where(cond, xarr, yarr)

# 输出如下:
# array([ 1. ,  2.1,  3. ,  4.1,  5. ,  6.1])

生产新数组

在数据分析工作中，where通常用于根据另一个数组而产生一个新的数组。假设有一个随机数组成的矩阵如下。

arr = np.random.randn(5, 5)  
arr

# 输出如下:
# array([[-1.55727013, -1.14643196,  0.33641317,  1.33949414, -0.0967725 ],
#       [-0.94233914,  2.0355648 ,  0.02982777,  0.25021319,  0.63198106],
#       [-0.49934005, -1.34006463, -0.54190069, -0.21468117, -0.27063406],
#       [ 0.76851561, -0.38540229,  1.1577072 ,  2.01828294,  0.57194718],
#       [ 0.40617705,  0.32532884,  1.96882039,  1.22848036,  0.94634927]])

这时候如果想把，所有数据中正数值替换为0，负数值替换为1，就可以用np.where函数很方便的做到，因为np.where的第二个和第三个参数都不一定是要数组，它们也都可以是标量值。

np.where(arr > 0, 0, 1)

# 输出如下:
# array([[1, 1, 0, 0, 1],
#       [1, 0, 0, 0, 0],
#       [1, 1, 1, 1, 1],
#       [0, 1, 0, 0, 0],
#       [0, 0, 0, 0, 0]])

返回条件判断元素下标

什么是返回条件判断元素下标呢，其实它有点类似于布尔型索引，先看一个常用的布尔型索引的例子。

xarr = np.array([1, 2, 3, 4, 5, 6])  
xarr[xarr > 2]

# 输出如下:
# array([3, 4, 5, 6])

布尔型索引会返回当索引真值对应的数组内元素。前面说到np.where函数其实类似于布尔型索引，但是有一点不同，它返回的是 元素的下标 而不是 元素值本身。

xarr = np.array([1, 2, 3, 4, 5, 6])  
np.where(xarr > 2)

# 输出如下:
# (array([2, 3, 4, 5]),)

可以看见输出的内容2, 3, 4, 5是元素的下标，所对应的元素内容其实是3, 4, 5, 6，这些元素都符合>2的要求。