我想求婚

np.min(np.append(np.where(aa>5)[0],np.inf))

这将返回满足条件的最小索引，而如果不满足条件则返回无穷大(并且where返回空数组)。

你应该用np。而不是np。argmax。后者即使没有找到值也会返回位置0，这不是您期望的索引。

>>> aa = np.array(range(-10,10))
>>> print(aa)
array([-10,  -9,  -8,  -7,  -6,  -5,  -4,  -3,  -2,  -1,   0,   1,   2,
         3,   4,   5,   6,   7,   8,   9])

如果满足条件，则返回一个索引数组。

>>> idx = np.where(aa > 5)[0]
>>> print(idx)
array([16, 17, 18, 19], dtype=int64)

否则，如果不满足，则返回一个空数组。

>>> not_found = len(np.where(aa > 20)[0])
>>> print(not_found)
array([], dtype=int64)

在这种情况下反对argmax的观点是:如果解决方案没有歧义，那么越简单越好。因此，要检查是否有东西符合条件，只需执行if len(np。Where (aa > value_to_search)[0]) > 0;

我对此也很感兴趣，我将所有建议的答案与perfplot进行了比较。(声明:我是perfplot的作者。)

如果您知道您正在查看的数组已经排序，那么

numpy.searchsorted(a, alpha)

是给你的。它是O(log(n))操作，也就是说，速度几乎不取决于数组的大小。没有比这更快的了。

如果你对数组一无所知，你就不会出错

numpy.argmax(a > alpha)

已经排序:

未分类的:

代码重现情节:

import numpy
import perfplot


alpha = 0.5
numpy.random.seed(0)


def argmax(data):
    return numpy.argmax(data > alpha)


def where(data):
    return numpy.where(data > alpha)[0][0]


def nonzero(data):
    return numpy.nonzero(data > alpha)[0][0]


def searchsorted(data):
    return numpy.searchsorted(data, alpha)


perfplot.save(
    "out.png",
    # setup=numpy.random.rand,
    setup=lambda n: numpy.sort(numpy.random.rand(n)),
    kernels=[argmax, where, nonzero, searchsorted],
    n_range=[2 ** k for k in range(2, 23)],
    xlabel="len(array)",
)

这样更快一些(看起来也更好一些)

np.argmax(aa>5)

因为argmax将在第一个True处停止(“如果最大值出现多次，则返回第一次出现的对应索引。”)，并且不会保存另一个列表。

In [2]: N = 10000

In [3]: aa = np.arange(-N,N)

In [4]: timeit np.argmax(aa>N/2)
100000 loops, best of 3: 52.3 us per loop

In [5]: timeit np.where(aa>N/2)[0][0]
10000 loops, best of 3: 141 us per loop

In [6]: timeit np.nonzero(aa>N/2)[0][0]
10000 loops, best of 3: 142 us per loop

In [34]: a=np.arange(-10,10)

In [35]: a
Out[35]:
array([-10,  -9,  -8,  -7,  -6,  -5,  -4,  -3,  -2,  -1,   0,   1,   2,
         3,   4,   5,   6,   7,   8,   9])

In [36]: np.where(a>5)
Out[36]: (array([16, 17, 18, 19]),)

In [37]: np.where(a>5)[0][0]
Out[37]: 16

我会说

i = np.min(np.where(V >= x))

其中V是向量(1d数组)，x是值，i是结果索引。