序论

ndarray的向量化的特色，对逻辑运算亦然适用的。然则，对于多维数组的逻辑运算不至于得到一个布尔数组的效果，还不错基于布尔索引与逻辑运算相联接，杀青愈加机动的数据筛选。

本文的主要本体有：

1、ndarray的相比运算

2、逻辑运算符的使用

3、三元运算函数where

4、通用判断函数any和all

ndarray的相比运算

其实对于多维数组ndarray的相比运算，在前边的本体中，一经有所波及。其实，更常用的相比运算，是将数组与某个标量进行相比，诈欺向量化的特色，将相比运算应用到数组中的每一个元素，从而不错得到一个布尔数组。更进一步，ndarray维持使用布尔数组进行索引，是以，不错杀青对数组进行知足特定的条目的元素的筛选需求。

径直看对应的代码：

逻辑运算符的使用

除了单个条目进行数组元素的筛选以外，NumPy还提供了逻辑运算符，从而杀青条目的组合，杀青愈加复杂的数据筛选需求。

所有有如下逻辑运算符：

1、np.logical_and()

用于两个条目况兼的关联，数组元素筛选语境中，暗意求两个相接杂乱的操作。也即是取得同期知足两个条目的数据。

不错使用运算符 & 进行简化，两者是等价的。

2、np.logical_or()

用于两个条目或的关联，数组元素筛选语境中，暗意求两个相接并集的操作。也即是取得知足至少纵容一个条目的数据。

不错使用运算符 | 进行简化，两者是等价的。

3、np.logical_not()

用于取反的逻辑运算，暗意取得不知足该条目的数据元素。然则，时常来说，咱们会自行进行条目的取反操作，而不是通过np.logical_not()来进行取反。

不错使用运算符 ~ 进行简化，两者是等价的。

4、np.logical_xor()

逻辑异或的倡导，也即是取得两个条目不同期为真、也不同期为假的数据。

不错简化为操作符 ^，两者是等价的。

底下通过代码进行例如诠释：

三元运算函数where

由于逻辑运算复返的效果是布尔数组，未必不是太便捷。是以，NumPy还提供了np.where()函数，不错阐发条目复返元素的索引或阐发条目生成新的数组。

通过代码演示下np.where()函数的使用：

通用判断函数any和all

NumPy中提供的逻辑运算，除了上头的本体外，还有效于杀青通盘元素齐为真，或者至少有一个元素为真，这两种场景的数据筛选需求。

相比通俗，径直通过代码进行例如诠释：

回来

本文通俗先容了NumPy维持的相比常用的逻辑运算，包括相比运算、逻辑运算符、三元运算，以及any和all的语义。基于这些操作的组合，就不错杀青相比机动的数组元素的筛选了。固然，NumPy中还提供了更多的、更复杂的逻辑运算操作。然则，更复杂的本体，其实，咱们不错借助Pandas愈加大概的杀青。是以，这里就不再张开了。

以上，即是本文的一齐本体，感谢您的拨冗阅读！