如何使用Numpy改写无循环的Python分类代码并获取解释？

原代码功能说明 #

原代码先生成20个1-10的随机整数，再通过循环判断每个数的模运算结果，将其分类为2、1、-1、-2或0。我们可以用Numpy的向量化操作完全替代循环，提升效率（尤其数据量大时）。

改写步骤与完整代码 #

import numpy as np

# 设置随机种子，保证结果可复现
np.random.seed(2022)

# 生成20个1-10的随机整数，直接得到Numpy数组
simulated_data = np.random.randint(1, 11, size=20)
print(simulated_data)

# 定义分类条件和对应的值
conditions = [
    simulated_data % 8 == 0,
    simulated_data % 9 == 0,
    simulated_data % 10 == 0,
    simulated_data % 11 == 0
]
values = [2, 1, -1, -2]

# 使用np.select实现多条件分支，默认值为0
classified_data = np.select(conditions, values, default=0)

print(classified_data)

关键部分解释 #

1. 生成模拟数据：用np.random.randint直接生成Numpy数组，替代原代码的列表推导式，无需再手动转换类型。
2. 向量化条件判断：simulated_data % 8 == 0会直接返回一个布尔数组，每个元素对应原数组的判断结果，这是Numpy向量化的核心——无需遍历每个元素。
3. np.select的作用：这个函数可以根据多个条件列表，对应选择值列表中的结果，完全替代原代码的if-elif-else循环，逻辑清晰且执行效率更高。

结果验证 #

因为设置了相同的随机种子，改写后的代码生成的simulated_data和classified_data与原代码完全一致。

内容的提问来源于stack exchange，提问作者panda bear