Python如何读取数值数组并按区间分类返回对应文本数组？

原代码存在的问题 #

• 缺少numpy导入语句，array()、np.nditer 属于numpy库的功能，使用前需要先导入
• 变量名拼写错误：定义的数组变量是 values，调用函数时误写为 value
• 索引使用错误：遍历的时候 i 是数组的元素值，直接用 x[i] 赋值相当于把元素值当下标用，会出现索引越界问题
• return 位置错误：return放在for循环内部，第一次循环执行完就会直接返回，不会处理数组的全部元素
• 类型不兼容：数值类型的numpy数组不能直接写入字符串，需要单独创建结果容器存储分类文本

正确实现方式 #

方式1：通用基础实现（不依赖numpy） #

新手优先推荐这种写法，逻辑清晰易理解：

values = [702, 664, 817, 893, 768, 789, 637, 642, 619, 724]

def classify_value(x):
    if 600 <= x <= 699:
        return 'Low'
    elif 700 <= x <= 799:
        return 'Med'
    else:
        return 'High'

y = [classify_value(v) for v in values]

运行后 y 的输出为：['Med', 'Low', 'High', 'High', 'Med', 'Med', 'Low', 'Low', 'Low', 'Med']

方式2：基于原循环逻辑的修改版 #

如果你希望保留原本的循环写法思路，可以调整为：

import numpy as np
values = np.array([702, 664, 817, 893, 768, 789, 637, 642, 619, 724])

def function(x):
    result = []
    for i in x:
        if 600 <= i <= 699:
            result.append('Low')
        elif 700 <= i <= 799:
            result.append('Med')
        else:
            result.append('High')
    return result

y = function(values)

方式3：numpy向量化实现（适合大规模数组） #

如果需要处理数据量较大的numpy数组，推荐用向量化条件判断，执行效率远高于循环遍历：

import numpy as np
values = np.array([702, 664, 817, 893, 768, 789, 637, 642, 619, 724])

y = np.where(values <= 699, 'Low',
             np.where(values <=799, 'Med', 'High'))

运行后得到的y是字符串类型的numpy数组，和原数组顺序一一对应。

内容的提问来源于stack exchange，提问作者jros112