¿Cómo selecciono elementos de una condición dada de una matriz?

Supongamos que tengo una matriz numpy x = [5, 2, 3, 1, 4, 5], y = ['f', 'o', 'o', 'b', 'a', 'r']. Quiero seleccionar los elementos ycorrespondientes a los elementos xque son mayores que 1 y menores que 5.

Lo intenté

x = array([5, 2, 3, 1, 4, 5])
y = array(['f','o','o','b','a','r'])
output = y[x > 1 & x < 5] # desired output is ['o','o','a']

Pero esto no funciona. ¿Cómo haría esto?

Su expresión funciona si agrega paréntesis:

>>> y[(1 < x) & (x < 5)]
array(['o', 'o', 'a'], 
      dtype='|S1')

IMO OP en realidad no quiere np.bitwise_and()(aka &) pero realmente quiere np.logical_and()porque están comparando valores lógicos como Truey False- vea esta publicación SO en lógico vs. bit a bit para ver la diferencia.

>>> x = array([5, 2, 3, 1, 4, 5])
>>> y = array(['f','o','o','b','a','r'])
>>> output = y[np.logical_and(x > 1, x < 5)] # desired output is ['o','o','a']
>>> output
array(['o', 'o', 'a'],
      dtype='|S1')

Y una forma equivalente de hacer esto es con np.all() estableciendo el axisargumento adecuadamente.

>>> output = y[np.all([x > 1, x < 5], axis=0)] # desired output is ['o','o','a']
>>> output
array(['o', 'o', 'a'],
      dtype='|S1')

Por los números:

>>> %timeit (a < b) & (b < c)
The slowest run took 32.97 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 1.15 µs per loop

>>> %timeit np.logical_and(a < b, b < c)
The slowest run took 32.59 times longer than the fastest. This could mean that an intermediate result is being cached.
1000000 loops, best of 3: 1.17 µs per loop

>>> %timeit np.all([a < b, b < c], 0)
The slowest run took 67.47 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 5.06 µs per loop

así que usar np.all()es más lento, pero &y logical_andson casi lo mismo.

Agregue un detalle a las respuestas de @JF Sebastian y @Mark Mikofski:
Si uno quiere obtener los índices correspondientes (en lugar de los valores reales de la matriz), el siguiente código servirá:

Para satisfacer múltiples (todas) condiciones:

select_indices = np.where( np.logical_and( x > 1, x < 5) )[0] #   1 < x <5

Para satisfacer múltiples (o) condiciones:

select_indices = np.where( np.logical_or( x < 1, x > 5 ) )[0] # x <1 or x >5

Me gusta usar np.vectorizepara tales tareas. Considera lo siguiente:

>>> # Arrays
>>> x = np.array([5, 2, 3, 1, 4, 5])
>>> y = np.array(['f','o','o','b','a','r'])

>>> # Function containing the constraints
>>> func = np.vectorize(lambda t: t>1 and t<5)

>>> # Call function on x
>>> y[func(x)]
>>> array(['o', 'o', 'a'], dtype='<U1')

La ventaja es que puede agregar muchos más tipos de restricciones en la función vectorizada.

Espero eso ayude.

En realidad lo haría de esta manera:

L1 es la lista índice de elementos que satisfacen la condición 1; (tal vez pueda usar somelist.index(condition1)o np.where(condition1)para obtener L1).

Del mismo modo, obtienes L2, una lista de elementos que satisfacen la condición 2;

Luego encuentras la intersección usando intersect(L1,L2).

También puede encontrar la intersección de varias listas si obtiene múltiples condiciones para satisfacer.

Luego puede aplicar el índice en cualquier otra matriz, por ejemplo, x.

Para matrices 2D, puede hacer esto. Crea una máscara 2D usando la condición. Escriba la máscara de condición en int o float, dependiendo de la matriz, y multiplíquela con la matriz original.

In [8]: arr
Out[8]: 
array([[ 1.,  2.,  3.,  4.,  5.],
       [ 6.,  7.,  8.,  9., 10.]])

In [9]: arr*(arr % 2 == 0).astype(np.int) 
Out[9]: 
array([[ 0.,  2.,  0.,  4.,  0.],
       [ 6.,  0.,  8.,  0., 10.]])