### numpy nonzero 与 where 的区别 在 NumPy 中，`nonzero` 和 `where` 是两个用于处理条件的函数，但它们的用途和返回值存在显著差异。以下是两者的详细对比： #### 1. `numpy.nonzero` `numpy.nonzero` 函数返回输入数组中非零元素的索引。它适用于布尔数组或数值数组，返回的是一个元组，其中每个元素是一个数组，表示非零元素在对应维度上的索引。 - **功能**：用于查找数组中满足条件（非零）的元素位置。 - **返回值**：返回一个元组，包含多个数组，每个数组表示某一维度上非零元素的索引。 - **示例代码**： ```python import numpy as np arr = np.array([[0, 1, 0], [1, 0, 1]]) indices = np.nonzero(arr) print(indices) # (array([0, 1, 1]), array([1, 0, 2])) ``` 上述代码中，`np.nonzero(arr)` 返回了两个数组组成的元组，分别表示非零元素的行索引和列索引[^1]。 #### 2. `numpy.where` `numpy.where` 函数更加灵活，它可以基于条件选择不同的值，或者仅返回满足条件的元素索引。 - **功能**： - 如果只提供条件参数，则返回满足条件的元素索引，行为类似于 `nonzero`。 - 如果提供了 `x` 和 `y` 参数，则根据条件选择 `x` 或 `y` 中的元素。 - **返回值**： - 只有条件时，返回满足条件的元素索引（元组形式）。 - 提供 `x` 和 `y` 时，返回与条件数组形状相同的数组，其中元素取自 `x` 或 `y`。 - **示例代码**： ```python import numpy as np # 示例 1: 只提供条件 arr = np.array([[0, 1, 0], [1, 0, 1]]) indices = np.where(arr > 0) print(indices) # (array([0, 1, 1]), array([1, 0, 2])) # 示例 2: 提供 x 和 y condition = np.array([[True, False], [False, True]]) x = np.array([[1, 2], [3, 4]]) y = np.array([[5, 6], [7, 8]]) result = np.where(condition, x, y) print(result) # [[1 6] [7 4]] ``` 在示例 1 中，`np.where` 的行为类似于 `nonzero`，返回满足条件的索引。而在示例 2 中，`np.where` 根据条件选择 `x` 或 `y` 中的元素[^2]。 #### 3. 主要区别总结 | 特性 | `nonzero` | `where` | |---------------------|------------------------------------|---------------------------------------------| | **功能** | 查找非零元素的索引 | 查找满足条件的索引或根据条件选择值 | | **返回值** | 索引元组 | 索引元组或条件选择结果 | | **灵活性** | 较低 | 较高，支持条件选择 | | **使用场景** | 仅用于查找满足条件的索引 | 查找索引或条件选择 | #### 4. 实际应用对比 以下是一个实际对比的例子，展示两者在相同条件下的表现： ```python import numpy as np arr = np.array([[0, 1, 0], [1, 0, 1]]) # 使用 nonzero indices_nonzero = np.nonzero(arr > 0) print("nonzero indices:", indices_nonzero) # 使用 where indices_where = np.where(arr > 0) print("where indices:", indices_where) ``` 输出结果为： ``` nonzero indices: (array([0, 1, 1]), array([1, 0, 2])) where indices: (array([0, 1, 1]), array([1, 0, 2])) ``` 可以看到，在只提供条件的情况下，`nonzero` 和 `where` 的行为是完全一致的[^3]。 ####