更改Numpy对象中的每个元素

我有一个随机N*M元素的Numpy对象，还有两个数字a和B

现在我想访问这个N*M数组中的每个元素并进行更改，即，如果元素>0，则将此元素替换为a（即元素IIUC:

使用

np.where

：

np.where(narr > 0, A, np.where(narr < 0, B , narr))

IIUC：

使用

np.where

：

np.where(narr > 0, A, np.where(narr < 0, B , narr))

---

布尔屏蔽赋值将就地更改值：

In [493]: arr = np.random.randint(-10,10,(5,7))
In [494]: arr
Out[494]: 
array([[ -5,  -6,  -7,  -1,  -8,  -8, -10],
       [ -9,   1,  -3,  -9,   3,   8,  -1],
       [  6,  -7,   4,   0,  -4,   4,  -2],
       [ -3, -10,  -2,   7,  -4,   2,   2],
       [ -5,   5,  -1,  -7,   7,   5,  -7]])
In [495]: arr[arr>0] = 100
In [496]: arr[arr<0] = -50
In [497]: arr
Out[497]: 
array([[-50, -50, -50, -50, -50, -50, -50],
       [-50, 100, -50, -50, 100, 100, -50],
       [100, -50, 100,   0, -50, 100, -50],
       [-50, -50, -50, 100, -50, 100, 100],
       [-50, 100, -50, -50, 100, 100, -50]])

[493]中的

：arr=np.random.randint（-10,10，（5,7））
在[494]中：arr
出[494]：
数组（[-5，-6，-7，-1，-8，-8，-10]，
[ -9,   1,  -3,  -9,   3,   8,  -1],
[  6,  -7,   4,   0,  -4,   4,  -2],
[ -3, -10,  -2,   7,  -4,   2,   2],
[ -5,   5,  -1,  -7,   7,   5,  -7]])
在[495]中：arr[arr>0]=100
在[496]中：arr[arr布尔掩码赋值将就地更改值：

In [493]: arr = np.random.randint(-10,10,(5,7))
In [494]: arr
Out[494]: 
array([[ -5,  -6,  -7,  -1,  -8,  -8, -10],
       [ -9,   1,  -3,  -9,   3,   8,  -1],
       [  6,  -7,   4,   0,  -4,   4,  -2],
       [ -3, -10,  -2,   7,  -4,   2,   2],
       [ -5,   5,  -1,  -7,   7,   5,  -7]])
In [495]: arr[arr>0] = 100
In [496]: arr[arr<0] = -50
In [497]: arr
Out[497]: 
array([[-50, -50, -50, -50, -50, -50, -50],
       [-50, 100, -50, -50, 100, 100, -50],
       [100, -50, 100,   0, -50, 100, -50],
       [-50, -50, -50, 100, -50, 100, 100],
       [-50, 100, -50, -50, 100, 100, -50]])

[493]中的
：arr=np.random.randint（-10,10，（5,7））
在[494]中：arr
出[494]：
数组（[-5，-6，-7，-1，-8，-8，-10]，
[ -9,   1,  -3,  -9,   3,   8,  -1],
[  6,  -7,   4,   0,  -4,   4,  -2],
[ -3, -10,  -2,   7,  -4,   2,   2],
[ -5,   5,  -1,  -7,   7,   5,  -7]])
在[495]中：arr[arr>0]=100
在[496]：arr[arr中，因为您提到您对计算速度感兴趣，所以我对您的问题的几种不同方法进行了速度比较

test.py：

import numpy as np

A = 100
B = 50

def createArray():
  array = np.random.randint(-100,100,(500,500))
  return array

def replace(x):
    return A if x > 0 else B

def replace_ForLoop():
    """Simple for-loop."""
    array = createArray()
    for i in range(array.shape[0]):
        for j in range(array.shape[1]):
            array[i][j] = replace(array[i][j])

def replace_nditer():
    """Use numpy.nditer to iterate over values."""
    array = createArray()
    for elem in np.nditer(array, op_flags=['readwrite']):
        elem[...] = replace(elem)

def replace_masks():
    """Use boolean masks."""
    array = createArray()
    array[array>0] = A
    array[array<0] = B

def replace_vectorize():
    """Use numpy.vectorize"""
    array = createArray()
    vectorfunc = np.vectorize(replace)
    array = vectorfunc(array)

def replace_where():
    """Use numpy.where"""
    array = createArray()
    array = np.where(array > 0, A, np.where(array < 0, B , array))

使用循环确实非常慢。
numpy.nditer
甚至更慢，这让我感到惊讶，因为文档称它为一个.
numpy.vectorize
，但它的速度仍然是原始实现的三倍。
根据hpaulj的回答，Scott Boston提出的
np.where
变体比使用布尔掩码稍微快一点。但是，它确实需要更多内存，因为它不会在原地修改。
因为您提到您对计算速度感兴趣，所以我对几种不同的方法进行了速度比较问题

test.py：

import numpy as np

A = 100
B = 50

def createArray():
  array = np.random.randint(-100,100,(500,500))
  return array

def replace(x):
    return A if x > 0 else B

def replace_ForLoop():
    """Simple for-loop."""
    array = createArray()
    for i in range(array.shape[0]):
        for j in range(array.shape[1]):
            array[i][j] = replace(array[i][j])

def replace_nditer():
    """Use numpy.nditer to iterate over values."""
    array = createArray()
    for elem in np.nditer(array, op_flags=['readwrite']):
        elem[...] = replace(elem)

def replace_masks():
    """Use boolean masks."""
    array = createArray()
    array[array>0] = A
    array[array<0] = B

def replace_vectorize():
    """Use numpy.vectorize"""
    array = createArray()
    vectorfunc = np.vectorize(replace)
    array = vectorfunc(array)

def replace_where():
    """Use numpy.where"""
    array = createArray()
    array = np.where(array > 0, A, np.where(array < 0, B , array))

使用循环确实非常慢。
numpy.nditer
甚至更慢，这让我感到惊讶，因为文档称它为一个.
numpy.vectorize
，但它的速度仍然是原始实现的三倍。
Scott Boston提出的
np.where
变体比hpaulj的答案中使用布尔掩码的速度稍快。但是，它确实需要更多内存，因为它不会在原地修改。
试试
numpy.clip
。看看
np.where
试试
numpy.clip
。看看
np.where
这很有帮助！但是原版阵列narr尚未更改，因此我需要分配新内存来保存此新阵列。我们可以就地执行此更改吗？这很有帮助！但原始阵列narr尚未更改，因此我需要分配新内存来保存此新阵列。我们可以就地执行此更改吗？