Numpy数组多条件赋值：基于两个一维数组生成指定值数组

嗨，我明白你遇到的问题了——用Numpy处理多条件赋值确实容易绕晕，尤其是之前试了单条件替换的方法没搞定多场景的情况。下面我给你两种实用的方案，都是Numpy原生的高效方法，完全不用循环，处理50个元素（甚至更大的数组）都很顺畅。

方法1：用np.select()（推荐多条件场景） #

这个方法最直观，你可以把所有条件和对应的取值一一列出来，逻辑清晰好维护。举个具体的例子，假设你的条件是这样的（你可以根据自己的实际需求修改）：

• 当a > b且a > 10时，c的元素取4
• 当a == b时，c的元素取3
• 当a < b且b > 5时，c的元素取2
• 当a < 2时，c的元素取1
• 其他所有情况，c的元素取0

对应的代码实现：

import numpy as np

# 替换成你自己的a、b数组即可
a = np.random.randint(0, 20, size=50)
b = np.random.randint(0, 20, size=50)

# 定义条件列表和对应的取值列表
conditions = [
    (a > b) & (a > 10),
    a == b,
    (a < b) & (b > 5),
    a < 2
]
choices = [4, 3, 2, 1]

# 生成目标数组c，默认值设为0
c = np.select(conditions, choices, default=0)

划重点：conditions是布尔数组的列表，每个元素对应一个判断条件；choices是和条件一一匹配的取值；default是所有条件都不满足时的兜底值。条件是按顺序判断的，所以如果有重叠的条件，排在前面的会优先生效哦。

方法2：嵌套np.where()（适合条件较少的场景） #

如果你的条件数量不多，也可以用嵌套的np.where()来实现，逻辑类似多层if-else：

import numpy as np

a = np.random.randint(0, 20, size=50)
b = np.random.randint(0, 20, size=50)

# 从优先级最高的条件开始逐层判断
c = np.where((a > b) & (a > 10), 4,
             np.where(a == b, 3,
                      np.where((a < b) & (b > 5), 2,
                               np.where(a < 2, 1, 0))))

这个方法的优点是逻辑简单易懂，但条件多了之后代码会变得冗长，可读性不如np.select()，适合条件数量在3-4个以内的场景。

这两种方法都是Numpy的矢量化操作，比Python循环高效得多，完全适配你的50元素数组需求。你只需要把示例里的条件替换成你实际需要的判断逻辑就行啦！

内容的提问来源于stack exchange，提问作者user8682794