Condições vetorizadas: where, select e clip

`np.where`: o `if` do array

Com três argumentos, o np.where(condição, se_verdadeiro, se_falso) escolhe, elemento a elemento, o valor de uma das duas saídas. Com um só argumento, devolve as posições onde a condição é verdadeira:

import numpy as np

notas = np.array([55, 72, 91, 40, 68])
print(np.where(notas >= 60, "aprovado", "reprovado"))
print(np.where(notas >= 60, notas, 0))
print(np.where(notas > 70))

['reprovado' 'aprovado' 'aprovado' 'reprovado' 'aprovado']
[ 0 72 91  0 68]
(array([1, 2]),)

O resultado de um argumento só é uma tupla com um array de posições por eixo, e por isso aparece o (array([1, 2]),).

`np.select`: várias faixas

Com mais de duas opções, encadear where vira bagunça. O np.select recebe uma lista de condições e uma lista de resultados, e usa o resultado da primeira condição verdadeira. Por isso a ordem importa: as condições mais restritivas vêm primeiro:

condicoes = [notas >= 90, notas >= 70, notas >= 60]
rotulos = ["A", "B", "C"]
print(np.select(condicoes, rotulos, default="D"))

['D' 'B' 'A' 'D' 'C']

Limitar e comparar elemento a elemento

O np.clip limita os valores a um intervalo. O np.maximum e o np.minimum comparam dois arrays (ou um array e um número) elemento a elemento, e o np.maximum(x, 0) é a função ReLU, uma das mais usadas em redes neurais:

print(np.maximum(notas, 50))

x = np.array([-2.0, -0.5, 0.5, 2.0])
print(np.piecewise(x, [x < 0, x >= 0], [lambda t: t ** 2, lambda t: t]))

[55 72 91 50 68]
[4.   0.25 0.5  2.  ]

O np.piecewise aplica uma função diferente em cada faixa, útil para funções definidas por partes.

A armadilha: `where` calcula os dois lados

O np.where avalia as duas expressões inteiras antes de escolher. Se uma delas gera um erro ou um aviso em algum elemento (uma divisão por zero), o aviso aparece mesmo que aquele elemento nunca fosse escolhido:

den = np.array([2.0, 0.0, 4.0])
with np.errstate(divide="ignore"):
    ingenuo = np.where(den != 0, 1 / den, 0.0)
print(ingenuo)

[0.5  0.   0.25]

Para não calcular onde não deve, use o where e o out da própria ufunc (capítulo 15):

seguro = np.divide(1.0, den, out=np.zeros_like(den), where=den != 0)
print(seguro)

[0.5  0.   0.25]

O resultado é o mesmo, mas a segunda forma nem tenta dividir por zero.