如何用Pythonic风格及Numpy简化数组区间条件索引查找并解决np.argwhere报错

嘿，我来帮你搞定这个问题！咱们分两部分来：先把纯Python的代码改成最地道的Pythonic风格，再解决NumPy里的报错问题。

一、纯Python的Pythonic简化实现 #

你的原代码用了显式循环和列表追加，其实用列表推导式就能一行搞定，这也是Python里最简洁且符合风格的写法：

myList = [4.2, 6.0, 10.2]
low = 10
high = 11
indices = [i for i, v in enumerate(myList) if low < v < high]

运行后indices会得到[2]，和原代码结果完全一致，但代码更紧凑易读。

二、NumPy的正确实现 & 报错原因解析 #

为什么会报错？ #

你用np.argwhere(low < myList < high)触发报错的核心原因是：Python的链式比较a < b < c会被解释成(a < b) and (b < c)，但这个逻辑在NumPy数组上不适用——数组的布尔运算需要用元素级的逻辑与&，而且因为运算符优先级的问题，每个条件必须用括号括起来。

如果直接写low < myList < high，Python会先计算low < myList得到一个布尔数组，然后尝试把这个布尔数组和high（标量）比较，这就会触发ValueError: The truth value of an array with more than one element is ambiguous，因为NumPy不知道你要判断整个数组的真值还是单个元素。

正确的NumPy实现 #

这里有几种简洁的写法：

方法1：用np.argwhere（修正版）

import numpy as np
myArray = np.array([4.2, 6.0, 10.2])
low = 10
high = 11
# 用&连接两个元素级条件，每个条件加括号
indices = np.argwhere((myArray > low) & (myArray < high)).flatten()

np.argwhere会返回二维数组（比如array([[2]])），用flatten()可以把它转成一维数组array([2])，和纯Python的结果格式更匹配。

方法2：用np.where（更直接）

np.where直接返回符合条件的索引的元组，取第一个元素就是一维索引数组：

indices = np.where((myArray > low) & (myArray < high))[0]

方法3：用布尔索引+np.arange

这也是一种很Pythonic的NumPy写法：

# 先生成所有索引，再用布尔条件筛选
indices = np.arange(len(myArray))[(myArray > low) & (myArray < high)]

这三种方法运行后都会得到array([2])，完全符合你的需求。

内容的提问来源于stack exchange，提问作者Julian M