当前位置：首页 > news >正文

np.where（arr＜0,0,arr）数据替换

news 2026/7/9 8:01:10

np.where(条件, 满足条件时填的值, 不满足条件时填的值)

demo：把数组中小于0的数都替换为0

import numpy as np arr = np.array([-2.5, 3.0, -0.5, 0, 5.5, -1.2, 4.0]) result = np.where(arr < 0, 0, arr) print("处理结果：", result)

处理结果： [0. 3. 0. 0. 5.5 0. 4. ]

注意：这俩方法与where差不多

`np.clip(arr, 0, None)`	也是单边限制（下限为0），效果完全一样。
`np.clip(arr, -5, 5)`	双边限制：小于 -5 的变 -5，大于 5 的变 5，中间的保留。

where的其他用法：

1、找出数组满足条件的索引：

arr = np.array([10, 25, 30, 15, 28]) # 找出 arr 中大于 20 的数字都在哪个位置 indexes = np.where(arr > 20) print(indexes) # 输出：(array([1, 2, 4]),) -> 意思是下标 1、2、4 的位置满足条件 # 利用这个索引，可以把这些位置的数全部打印出来 print(arr[indexes]) # 输出：[25 30 28]

在实际数据清洗中的妙用：如果你想删除所有异常值（而不是替换），你就用单参数where找到好数据的下标，然后筛选出来。

# 假设温度数据，只想要大于0且小于100的正常数据，把异常的丢掉 raw = np.array([36.5, -5, 45.0, 200, 36.6]) normal_indexes = np.where((raw > 0) & (raw < 100)) clean_data = raw[normal_indexes] print(clean_data) # 输出：[36.5 45.0 36.6] (-5 和 200 被丢掉了)

2、复合逻辑（且 &，或 |，非 ~）

arr = np.array([-5, 0, 10, 25, 100]) # 条件：大于等于 0 并且 小于等于 50 result = np.where((arr >= 0) & (arr <= 50), arr, -999) # 不满足的设为 -999 print(result) # 输出：[-999 0 10 25 -999]

注意：在 NumPy 中，逻辑“与”必须用&，逻辑“或”用|，千万不能用 Python 的and和or

3、嵌套多条件（实现`if...elif...else`）

where支持嵌套，用来处理“不止两种情况”的分支。
比如：大于 0 的设为 1，等于 0 的设为 0，小于 0 的设为 -1。

arr = np.array([-2, 0, 3]) # 外层判断 >=0 吗？如果是，再进入内层判断是不是等于 0 result = np.where(arr >= 0, np.where(arr == 0, 0, 1), -1) print(result) # 输出：[-1 0 1]

如果条件超过 3 个分支，用np.select代码会更清晰

4、结合`np.where`修改原始数据

where 可以直接放在赋值语句的等号左边（借助单参数模式拿到的索引） arr = np.array([1, 2, 3, 4, 5]) # 找出所有大于3的位置，直接将这些位置上的值改为 100 arr[np.where(arr > 3)] = 100 print(arr) # 输出：[1 2 3 100 100]