Arrays 如何为Numpy数组中的每个项目设置最小值和最大值？

假设我有一个numpy数组

a = np.array([1, 100, 123, -400, 85, -98])

我想将每个值限制在

-100

和

90

之间。基本上，我希望numpy数组是这样的：

a = np.array([1, 90, 90, -100, 85, -98])

---

我知道这可以通过迭代numpy数组来完成，但是有没有其他有效的方法来执行此任务？

我认为获得结果的最简单方法是使用numpy的clip函数

import numpy as np
a = np.array([1, 100, 123, -400, 85, -98])
np.clip(a,-100,90)

---

有几种方法可以做到这一点。首先，使用Sridhar Murali提出的numpy函数：

a = np.array([1, 100, 123, -400, 85, -98]) 
np.clip(a,-100,90)

其次，使用numpy数组比较：

a = np.array([1, 100, 123, -400, 85, -98])
a[a>90] = 90
a[a<-100] = -100

至于编码风格，我更喜欢numpy比较或列表理解，因为它们清楚地说明了所做的事情，但这实际上取决于您。至于速度，用

timeit.repeat

重复10万次，我平均得到，从最好到最差：

4.8e-3秒，用于列表理解

1.8e-1秒用于numpy阵列比较

np.clip功能为2.7e-1秒

---

显然，如果之后不需要数组，那么列表理解就是一种方法。如果您需要数组，直接比较的效率几乎是

clip

函数的两倍，同时可读性更高。

/hi！你不想使用列表理解有什么原因吗？@jeannej我认为它在速度方面效率低下@ѕєєѕιι事实上恰恰相反，我将发布一个答案，证明我不明白为什么这被选为最佳答案，同时又具有误导性。如果您报告说直接比较的执行时间较短，那么直接比较如何比剪辑“更有效”？不，列表理解是很酷的合成糖，但如果你有大型数组，矢量化是获得大规模加速的关键，那么它就不是一种方法。在计时过程中，您很幸运，因为数组一开始非常小。@BS。我想你错过了4.8e-3秒=0.0048秒和1.8e-1秒=0.18秒。。。所以在我的测试用例中，列表理解确实需要更少的时间来执行。当然，时间比较取决于您的数据、计算机等，因此结果可能会有所不同。但我看到“2.7e-1秒用于numpy数组比较”。但是无论如何，如果您使用大型阵列，结果在任何现代CPU上都不适用。@BS。我不应该知道，因为我没有测试它，我只使用问题中给出的数组。请在另一个问题中询问大型阵列的替代方案！无论如何，谢谢你发现我在过去两个月里耽误了计算时间，我更新了我的帖子。@jennej我也觉得基准有点不公平。如你所知，用小的可重复的例子提出问题是很常见的，而真正的问题可能有更大的规模。此外，您的比较可能会误导本页的未来读者，因为他们确实存在较大的问题。在我的机器上，

np.clip

比包含一百万个元素的数组的列表理解速度快250倍。作为建议，您可以为不同大小的数组运行基准测试，并说明使用列表理解在哪些范围内是可行的。

a = [1, 100, 123, -400, 85, -98]
a = [-100 if x<-100 else 90 if x>90 else x for x in a]

a = [1, 90, 90, -100, 85, -98]