NumPy 中的比较、掩码和布尔逻辑
掩码根据条件对数组中的值进行操作、计数或提取；例如，计算数组中大于特定值的所有值。 布尔掩码通常是在 NumPy 中完成此类任务的最有效方法。 它在清理和准备数据分析方面起着很大的作用。 （请参阅第 5 节。）
示例：计算下雨天数
接下来通过检查西雅图月降雨量统计信息来查看掩码的实际作用。 数据位于 data.gov 中的 CSV 文件中。 为了加载数据，我们将使用 pandas（我们将在第 4 节正式介绍该工具）。
import numpy as np
import pandas as pd
使用 pandas 提取降雨量作为 NumPy 数组。 请确保已克隆 Reactor 存储库，并在 VS Code 中打开 Learn/Intro-python-data-science 文件夹，如 环境设置单元中所述。 在此文件夹中，你将找到具有所需 CSV 文件的数据文件夹。
rainfall_2003 = pd.read_csv('Data/Observed_Monthly_Rain_Gauge_Accumulations_-_Oct_2002_to_May_2017.csv')['RG01'][ 2:14].values
rainfall_2003
输出为：
array([6.55, 1.61, 5.01, 2.27, 0.91, 0.49, 0.12, 0.33, 0.97, 6.32, 2.54,
3.19])
接下来分解刚才在前面的代码单元中执行的操作。 降雨量数据包含围绕西雅图市的多个雨量计量器的月降雨量总计。 我们选择了第一个。 然后在该计量器中，选择了数据集中第一个完整日历年（2003 年）的相关月份。 该月份范围从 CSV 文件的第三行开始（请记住，Python 从零开始编制索引！），运行到第 13 行，因此为 2:14]。
现在你有一个包含 12 个值的数组，其中每个值记录 2003 年 1 月到 12 月的月降雨量（以英寸为单位）。
在数据科学中，你通常需要先快速浏览一下数据。 在这种情况下，建议使用条形图。 为了生成此条形图，我们将使用 Matplotlib，这是我们稍后将在本课程中正式介绍的另一个重要数据科学工具。 （此示例还提供了你应采用的另一个广泛使用的 Python 约定：import matplotlib.pyplot as plt。）
%matplotlib inline
import matplotlib.pyplot as plt
plt.bar(np.arange(1, len(rainfall_2003) + 1), rainfall_2003)
输出为：
输出
12 个艺术家的 BarContainer 对象<>
让我们看看上面的代码片段。 我们向 pyplot 中的 bar 函数传递了两个参数。 第一个定义 x 轴的索引，第二个定义用于条形（y 轴）的数据。 若要创建索引，请使用 NumPy 函数 arange 创建一个数字序列。 （这与本节前面介绍的 arange 相同。）我们知道数组的长度为 12，但以编程方式传递数组的长度是一个好习惯，以防它发生变化或者你不知道它的特殊性。 我们还将 1 同时添加到 arange 的开头和结尾，以适应 Python 从零开始编制索引（因为日历中没有“0 月”）。
根据上述图表（居民可以证明），西雅图的夏天阳光明媚。 但这只是对数据的初步了解。 仍有几个问题需要回答。 例如，有几个月下雨，而且这几个月的平均降水量是多少？ 我们将使用掩码来回答这些问题。 （我们还将返回到此示例数据集，以在本节其余部分演示概念。）
在深入说明掩码的含义之前，我们应简单了解 NumPy 中的比较运算符。
作为 ufuncs 的比较运算符
除了我们已讨论过的作为 ufuncs 的计算运算符之外，NumPy 还将 <（小于）和 >（大于）等比较运算符实现为元素 ufuncs。 所有标准 Python 比较运算都可用：
simple_array = np.array([1, 2, 3, 4, 5])
小于：
simple_array < 2
输出为：
array([ True, False, False, False, False])
大于或等于：
simple_array >= 4
输出为：
array([False, False, False, True, True])
等于：
simple_array == 2
输出为：
array([False, True, False, False, False])
还可以对两个数组进行元素比较，并可使用复合表达式：
(2 * simple_array) == (simple_array ** 2)
输出为：
array([False, True, False, False, False])
与算术运算符一样，这些比较运算符是 NumPy ufuncs 的包装器。 写入 x < 3 时，NumPy 实际使用 np.less(x, 3)。 下面是比较运算符及其等效 ufuncs 的摘要：
| 运算符 | 等效 ufunc |
|---|---|
== |
np.equal |
< |
np.less |
> |
np.greater |
!= |
np.not_equal |
<= |
np.less_equal |
>= |
np.greater_equal |
与算术 ufuncs 一样，比较 ufuncs 可处理任何大小和形状的数组。
rand = np.random.RandomState(0)
two_dim_array = rand.randint(10, size=(3, 4))
two_dim_array
输出为：
array([[5, 0, 3, 3],
[7, 9, 3, 5],
[2, 4, 7, 6]])
因此，对于：
two_dim_array < 6
输出为：
array([[ True, True, True, True],
[False, False, True, True],
[ True, True, False, False]])
结果为布尔数组，NumPy 提供了许多简单的模式来处理这些布尔值结果。