如何对numpy数组执行带元素条件的函数映射 解决真值歧义报错

自定义带条件判断的函数直接传入numpy数组时触发真值判断歧义报错，无判断的逐元素运算可正常运行，需要高性能实现带条件的逐元素映射，预期输出array([1, 0, 1, 0, 1])。

报错根因 #

Python原生三元条件判断0 if cond else 1要求cond是单个布尔值，当传入numpy数组时，x % 2 == 0返回的是逐元素判断的布尔数组，Python无法直接判定整个数组的真值，因此抛出错误。
无判断的运算（比如x**2）能正常运行，是因为numpy重载了对应运算符，会自动触发底层C实现的逐元素向量化运算，不需要Python层做单值判断。

优先方案：原生numpy向量化实现（性能最高，远快于for循环） #

直接使用numpy内置的向量化操作，全程走底层C计算，无Python层循环开销，是性能最优的选择：

import numpy as np
a = np.array([1, 2, 3, 4, 5])

# 场景1：分支返回值是固定0/1（匹配当前需求）
# 布尔值转int时True对应1、False对应0，直接取模判断奇偶后转类型即可
res = (a % 2 != 0).astype(int)
# 输出：array([1, 0, 1, 0, 1])

# 场景2：分支返回值任意（通用条件映射）
# 用np.where(判断条件, 条件为真时的返回值, 条件为假时的返回值)
res = np.where(a % 2 == 0, 0, 1)

备选方案：np.vectorize包装（适合复杂自定义逻辑） #

如果条件逻辑非常复杂，无法直接拆分为numpy内置向量化操作，可以用np.vectorize包装自定义函数，自动适配数组逐元素调用：

g = np.vectorize(lambda x: 0 if x % 2 == 0 else 1)
res = g(a)

注意：该方案本质是逐元素调度执行，性能远低于上面的原生向量化写法，仅作为复杂逻辑下的备选，不要在大数据量场景下优先使用。

不推荐方案 #

不要使用Python层for循环遍历数组、也不要用原生map处理数组后再转numpy，这类方案存在大量Python层开销，数据量越大性能差距越明显，比原生向量化实现慢几十到上百倍。

内容的提问来源于stack exchange，提问作者herophant