是的，给定一个数组，数组和一个值，要搜索的项，你可以使用np。的地方:

itemindex = numpy.where(array == item)

结果是一个元组，首先是所有的行索引，然后是所有的列索引。

例如，如果一个数组是二维的，它包含你的项目在两个位置，那么

array[itemindex[0][0]][itemindex[1][0]]

将等于你的项目，因此将是:

array[itemindex[0][1]][itemindex[1][1]]

numpy中内置了一种相当习惯的向量化方法。它使用np.argmax()函数的一个奇怪之处来完成这一点——如果有许多值匹配，它将返回第一个匹配的索引。诀窍在于，对于布尔值，将永远只有两个值:True(1)和False(0)。因此，返回的索引将是第一个True的索引。

对于所提供的简单示例，您可以看到它在以下情况下工作

>>> np.argmax(np.array([1,2,3]) == 2)
1

一个很好的例子是计算桶，例如用于分类。假设你有一个切割点数组，你想要对应数组中每个元素的“桶”。该算法是计算x < cuts处的第一个切割索引(在使用np. infinity填充切割之后)。我可以使用broadcast来广播比较，然后沿着cuts-broadcast轴应用argmax。

>>> cuts = np.array([10, 50, 100])
>>> cuts_pad = np.array([*cuts, np.Infinity])
>>> x   = np.array([7, 11, 80, 443])
>>> bins = np.argmax( x[:, np.newaxis] < cuts_pad[np.newaxis, :], axis = 1)
>>> print(bins)
[0, 1, 2, 3]

正如预期的那样，x中的每个值都属于一个连续的箱子，具有定义良好且易于指定的边界情况行为。

您还可以将NumPy数组转换为list in - air并获取其索引。例如,

l = [1,2,3,4,5] # Python list
a = numpy.array(l) # NumPy array
i = a.tolist().index(2) # i will return index of 2
print i

它会输出1。

是的，给定一个数组，数组和一个值，要搜索的项，你可以使用np。的地方:

itemindex = numpy.where(array == item)

结果是一个元组，首先是所有的行索引，然后是所有的列索引。

例如，如果一个数组是二维的，它包含你的项目在两个位置，那么

array[itemindex[0][0]][itemindex[1][0]]

将等于你的项目，因此将是:

array[itemindex[0][1]][itemindex[1][1]]

找到了另一个循环解决方案:

new_array_of_indicies = []

for i in range(len(some_array)):
  if some_array[i] == some_value:
    new_array_of_indicies.append(i)
    

index_lst_form_numpy = pd.DataFrame(df).reset_index()["index"].tolist()