ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

NumPy 和 Pandas 基本功
章节 1: Python 数据处理介绍
什么是 NumPy 和 Pandas?
对人工智能和数据科学的重要性
环境配置
运行你的第一个代码片段
Jupyter Notebook 简介
动手实践:设置与验证
第 1 章测验
章节 2: NumPy 数组入门
了解 NumPy N 维数组
从 Python 列表创建数组
内置数组创建函数
理解数组数据类型
数组基本属性
实践操作:创建和查看数组
第 2 章测验
章节 3: NumPy 数组的索引与切片
访问单个元素
一维数组切片
二维数组切片
布尔索引
花式索引
修改数组子集
动手实践:从数组中选择数据
第 3 章测验
章节 4: NumPy 基本操作
基本算术运算
通用函数(ufuncs)简介
数学和统计函数
数组上的逻辑运算
广播功能简介
动手实践:对数组进行计算
第 4 章测验
章节 5: Pandas 介绍
Pandas 是什么?
Pandas 数据结构:Series
创建 Series
Pandas 数据结构:DataFrame
创建 DataFrame
检查 DataFrames
实操:创建和查看 Series/DataFrame
第 5 章测验
章节 6: Pandas 数据加载与保存
从CSV文件读取数据
从Excel文件读取数据
从其他格式读取数据
将数据写入 CSV 文件
写入数据到Excel文件
动手实践:数据集的导入与导出
第 6 章测验
章节 7: Pandas 中的数据选取与索引
选取列
使用标签选择行 (.loc)
使用整数位置选择行 (.iloc)
混合标签和基于位置的索引
条件选择 (布尔索引)
设置 DataFrame 索引
重置 DataFrame 索引
动手实践:访问特定数据子集
第 7 章测验
章节 8: 使用 Pandas 进行数据基本处理
识别缺失数据
处理缺失数据:删除
处理缺失数据:填充
删除列和行
添加新列
修改现有列
重命名列
数据排序
实践练习:清理和修改数据框
第 8 章测验
章节 9: 数据分组与聚合
拆分-应用-组合方法
使用 groupby() 方法对数据进行分组
应用聚合函数
应用多种聚合操作
按多列分组
遍历分组
动手实践:使用 GroupBy 汇总数据
第 9 章测验
章节 10: 组合 DataFrames
数据合并介绍
连接 DataFrames (pd.concat)
数据库风格的合并 (pd.merge)
理解合并类型(连接)
基于索引的合并
基于索引的合并 (.join)
实践操作:组合数据集
第 10 章测验

数组上的逻辑运算

NumPy 数组支持逻辑比较,从而能够在数据分析工作流程中实现高效的数据筛选、条件检查和决策制定。这些逻辑运算通常按元素应用,与 NumPy 中的算术运算非常相似,并生成布尔值(True 或 False)的数组。

逐元素比较

您可以使用标准 Python 比较运算符将整个数组与标量值进行比较,或者逐元素比较两个数组。NumPy 重载了这些运算符,使其可以在数组上高效工作。

可用的比较运算符有:

  • == (等于)
  • != (不等于)
  • < (小于)
  • > (大于)
  • <= (小于或等于)
  • >= (大于或等于)

我们来看看它们是如何工作的。

数组与标量比较

当您将 NumPy 数组与单个数字(一个标量)进行比较时,NumPy 会在标量与数组的每个元素之间执行比较,并返回一个相同形状的新布尔数组。

import numpy as np

# 创建一个示例数组
ages = np.array([25, 18, 65, 40, 12])

# 检查哪些年龄大于 21
is_adult = ages > 21
print(is_adult)
# 预期输出: [ True False  True  True False]

# 检查哪些年龄正好是 18
is_eighteen = ages == 18
print(is_eighteen)
# 预期输出: [False  True False False False]

结果 is_adult 是一个布尔数组,在满足条件 age > 21 的地方为 True,否则为 False。

比较两个数组

您也可以比较两个数组,前提是它们具有兼容的形状(要么形状相同,要么根据广播规则兼容的形状,我们稍后会讨论)。比较是逐元素执行的。

# 创建两个分数数组
scores1 = np.array([85, 92, 78, 88])
scores2 = np.array([85, 90, 80, 88])

# 检查分数相同的地方
equal_scores = scores1 == scores2
print(equal_scores)
# 预期输出: [ True False False  True]

# 检查 scores1 小于 scores2 的地方
lower_scores = scores1 < scores2
print(lower_scores)
# 预期输出: [False False  True False]

结果布尔数组中的每个元素都对应于原始数组中相同位置元素的比较结果。

组合逻辑条件

通常,您需要同时检查多个条件。例如,您可能希望找到大于下限且小于上限的元素。NumPy 为此使用了逐元素的逻辑运算符:

  • & (逻辑与)
  • | (逻辑或)
  • ~ (逻辑非)

重要提示: 在 NumPy 数组上进行逐元素逻辑运算时,请使用位运算符 &、| 和 ~,而不是 Python 关键字 and、or 和 not。关键字 and 和 or 评估整个对象的真值,而 & 和 | 则对数组内的布尔值执行逐元素比较。另外,请记住由于运算符优先级,要在单个比较周围使用括号 ()。

我们来结合之前 ages 数组的条件:

# 找到 20 到 50 岁之间(不包括 20,包括 50)
working_age = (ages > 20) & (ages <= 50)
print(working_age)
# 原始年龄: [25, 18, 65, 40, 12]
# 预期输出: [ True False False  True False]

# 找到小于 18 岁或大于 60 岁的人
young_or_senior = (ages < 18) | (ages > 60)
print(young_or_senior)
# 原始年龄: [25, 18, 65, 40, 12]
# 预期输出: [False False  True False  True]

# 找到不等于 18 岁的人
not_eighteen = ~(ages == 18)
# 这等同于: not_eighteen = ages != 18
print(not_eighteen)
# 原始年龄: [25, 18, 65, 40, 12]
# 预期输出: [ True False  True  True  True]

这些组合的布尔数组对于选择满足多个条件的数据非常有用,这是一种通常被称为布尔索引的技巧(您在第三章中遇到过)。

检查数组中的条件:any() 和 all()

有时,您不需要逐元素的结果,而是需要一个概要:任何元素是否满足条件,或者所有元素都满足条件?NumPy 为此提供了数组的 any() 和 all() 方法(以及独立函数 np.any()、np.all())。

  • any(): 如果布尔数组中至少有一个元素为 True,则返回 True。
  • all(): 仅当布尔数组中所有元素都为 True 时,才返回 True。
# 创建一个布尔数组
results = np.array([True, False, True, True])

# 检查是否有任何结果为 True
print(results.any())
# 预期输出: True

# 检查是否所有结果都为 True
print(results.all())
# 预期输出: False

# 再次使用我们的 ages 数组
ages = np.array([25, 18, 65, 40, 12])

# 有青少年(年龄 < 20)吗?
print((ages < 20).any())
# 预期输出: True (因为 18 和 12 小于 20)

# 所有年龄都大于等于 18 吗?
print((ages >= 18).all())
# 预期输出: False (因为 12 小于 18)

这些函数有助于快速检查和断言您的数据。您也可以在多维数组中沿着特定轴应用 any() 和 all(),类似于 sum() 或 mean() 等统计函数。

逻辑运算是数据选择和操作的核心部分。它们生成的布尔数组充当强大的掩码,用于根据复杂条件筛选和修改您的数据集。当您处理更大的数据集时,使用 NumPy 的向量 (vector)化逻辑运算将比编写显式 Python 循环效率显著提高。

  • Array indexing and data selection, NumPy Developers, 2023 - 这份官方指南解释了如何使用各种方法(包括依赖逻辑运算的布尔索引)从数组中选择数据。
  • Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython, Wes McKinney, 2022 (O'Reilly Media) - 一本关于Python数据科学的基础书籍,提供了NumPy数组操作(包括逻辑比较和布尔过滤)的实用见解。
  • Guide to NumPy, Travis E. Oliphant, 2006 (Trelgol Publishing) - 这本由NumPy创建者撰写的基础指南,深入理解NumPy数组和元素级操作,包括逻辑比较。

© 2026 ApX Machine Learning