本文主要核心内容来自于： https://www.cnblogs.com/massquantity/p/8908859.html
主要在原来的基础之上增加了些注释，如果原作者想要我删除或者屏蔽该文章，请留言，我可删除或屏蔽
numpy.where() 函数有两种用法：
第一种： np.where(condition, x, y)
函数说明：满足条件(condition)，输出x，不满足输出y。
下面插入代码部分：
>>> aa = np.arange(10)
>>> np.where(aa,1,-1)
array([-1, 1, 1, 1, 1, 1, 1, 1, 1, 1])
# 0为False，所以第一个输出-1
>>> np.where(aa > 5,1,-1)
array([-1, -1, -1, -1, -1, -1, 1, 1, 1, 1])
>>> np.where([[True,False], [True,True]], # 官网上的例子
[[1,2], [3,4]], [[9,8], [7,6]])
结果：
array([[1, 8], [3, 4]])
上面这个例子的条件为[[True,False], [True,False]]，分别对应最后输出结果的四个值。第一个值从[1,9]中选，因为条件为True，所以是选1。第二个值从[2,8]中选，因为条件为False，所以选8，后面以此类推。类似的问题可以再看个例子：
>>> a = 10 >>> np.where([[a > 5,a < 5], [a == 10,a == 7]], [["chosen","not chosen"], ["chosen","not chosen"]], [["not chosen","chosen"], ["not chosen","chosen"]]) 结果： array([[‘chosen‘, ‘chosen‘], [‘chosen‘, ‘chosen‘]], dtype=‘<U10‘)
第二种： np.where(condition)
函数说明：只有条件 (condition)，没有x和y，则输出满足条件 (即非0) 元素的坐标 (等价于numpy.nonzero)。这里的坐标以tuple的形式给出，通常原数组有多少维，输出的tuple中就包含几个数组，分别对应符合 条件元素的各维坐标。
针对一维度数组：
>>> a = np.array([2,4,6,8,10])
>>> np.where(a > 5)
(array([2, 3, 4]),)
>>> a[np.where(a > 5)] # 等价于 a[a>5]
array([ 6, 8, 10])
针对二维数组：
>>> np.where([[0, 1], [1, 0]]) #保留大于等于1的数据的坐标
(array([0, 1, 1]), array([1, 1, 1])) #具体可以看到它的非0坐标为(0, 1) (1, 0) (1, 1)
针对多维度数组：
>>> a = np.arange(27).reshape(3,3,3)
>>> a array([[[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8]], [[ 9, 10, 11], [12, 13, 14], [15, 16, 17]], [[18, 19, 20], [21, 22, 23], [24, 25, 26]]])
>>> np.where(a > 5)
(array([0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2]), array([2, 2, 2, 0, 0, 0, 1, 1, 1, 2, 2, 2, 0, 0, 0, 1, 1, 1, 2, 2, 2]),
array([0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2]))
看坐标点方法是三个数组对应的元素形成一个坐标
# 符合条件的元素为
#[ 6, 7, 8]], [[ 9, 10, 11], [12, 13, 14], [15, 16, 17]], [[18, 19, 20], [21, 22, 23], [24, 25, 26]]]