您可以使用 np.where获取索引，使用 np.logical_and设置两个条件:

import numpy as np
a = np.array([1, 3, 5, 6, 9, 10, 14, 15, 56])


np.where(np.logical_and(a>=6, a<=10))
# returns (array([3, 4, 5]),)

我想我应该添加这个，因为你给出的例子中的 a是排序的:

import numpy as np
a = [1, 3, 5, 6, 9, 10, 14, 15, 56]
start = np.searchsorted(a, 6, 'left')
end = np.searchsorted(a, 10, 'right')
rng = np.arange(start, end)
rng
# array([3, 4, 5])

就像@deinonychusaur 的回复，但更简洁:

In [7]: np.where((a >= 6) & (a <=10))
Out[7]: (array([3, 4, 5]),)

s=[52, 33, 70, 39, 57, 59, 7, 2, 46, 69, 11, 74, 58, 60, 63, 43, 75, 92, 65, 19, 1, 79, 22, 38, 26, 3, 66, 88, 9, 15, 28, 44, 67, 87, 21, 49, 85, 32, 89, 77, 47, 93, 35, 12, 73, 76, 50, 45, 5, 29, 97, 94, 95, 56, 48, 71, 54, 55, 51, 23, 84, 80, 62, 30, 13, 34]


dic={}


for i in range(0,len(s),10):
dic[i,i+10]=list(filter(lambda x:((x>=i)&(x<i+10)),s))
print(dic)


for keys,values in dic.items():
print(keys)
print(values)

Output:

(0, 10)
[7, 2, 1, 3, 9, 5]
(20, 30)
[22, 26, 28, 21, 29, 23]
(30, 40)
[33, 39, 38, 32, 35, 30, 34]
(10, 20)
[11, 19, 15, 12, 13]
(40, 50)
[46, 43, 44, 49, 47, 45, 48]
(60, 70)
[69, 60, 63, 65, 66, 67, 62]
(50, 60)
[52, 57, 59, 58, 50, 56, 54, 55, 51]

a = np.array([1,2,3,4,5,6,7,8,9])
b = a[(a>2) & (a<8)]

你可以使用 np.clip()来达到同样的效果:

a = [1, 3, 5, 6, 9, 10, 14, 15, 56]
np.clip(a,6,10)

但是，它保存的值分别小于6和大于10。

a = np.array([1, 3, 5, 6, 9, 10, 14, 15, 56])
np.argwhere((a>=6) & (a<=10))

此代码片段返回两个值之间的数字数组中的所有数字:

a = np.array([1, 3, 5, 6, 9, 10, 14, 15, 56] )
a[(a>6)*(a<10)]

它的工作原理如下: (a > 6)返回一个具有 True (1)和 False (0)的 numpy 数组，(a < 10)也是如此。如果两个语句都为 True (因为1x1 = 1)或 False (因为0x0 = 0和1x0 = 0) ，那么将这两个语句相乘得到一个带有 True 的数组。

A [ ... ]部分返回数组 a 的所有值，其中括号之间的数组返回 True 语句。

当然，你可以通过比如说

...*(1-a<10)

which is similar to an "and Not" statement.

这可能不是最漂亮的，但适用于任何维度

a = np.array([[-1,2], [1,5], [6,7], [5,2], [3,4], [0, 0], [-1,-1]])
ranges = (0,4), (0,4)


def conditionRange(X : np.ndarray, ranges : list) -> np.ndarray:
idx = set()
for column, r in enumerate(ranges):
tmp = np.where(np.logical_and(X[:, column] >= r[0], X[:, column] <= r[1]))[0]
if idx:
idx = idx & set(tmp)
else:
idx = set(tmp)
idx = np.array(list(idx))
return X[idx, :]


b = conditionRange(a, ranges)
print(b)

另一种方式是:

np.vectorize(lambda x: 6 <= x <= 10)(a)

返回:

array([False, False, False,  True,  True,  True, False, False, False])

它有时对于掩盖时间序列、向量等非常有用。

想要将 编号加入到混合中:

import numpy as np
import numexpr as ne


a = np.array([1, 3, 5, 6, 9, 10, 14, 15, 56])


np.where(ne.evaluate("(6 <= a) & (a <= 10)"))[0]
# array([3, 4, 5], dtype=int64)

只适用于数百万的大型阵列，或者内存受限的情况。

答案摘要

为了理解什么是最佳答案，我们可以使用不同的解决方案进行一些计时。 不幸的是，这个问题没有摆好姿势，所以有不同的问题的答案，在这里我试图指出同一个问题的答案。根据数组:

a = np.array([1, 3, 5, 6, 9, 10, 14, 15, 56])

答案应该是元素的 索引在一定范围内，我们假设包含6和10。

answer = (3, 4, 5)

对应于值6,9,10。

为了测试最佳答案，我们可以使用下面的代码。

import timeit
setup = """
import numpy as np
import numexpr as ne


a = np.array([1, 3, 5, 6, 9, 10, 14, 15, 56])
# or test it with an array of the similar size
# a = np.random.rand(100)*23 # change the number to the an estimate of your array size.


# we define the left and right limit
ll = 6
rl = 10


def sorted_slice(a,l,r):
start = np.searchsorted(a, l, 'left')
end = np.searchsorted(a, r, 'right')
return np.arange(start,end)
"""


functions = ['sorted_slice(a,ll,rl)', # works only for sorted values
'np.where(np.logical_and(a>=ll, a<=rl))[0]',
'np.where((a >= ll) & (a <=rl))[0]',
'np.where((a>=ll)*(a<=rl))[0]',
'np.where(np.vectorize(lambda x: ll <= x <= rl)(a))[0]',
'np.argwhere((a>=ll) & (a<=rl)).T[0]', # we traspose for getting a single row
'np.where(ne.evaluate("(ll <= a) & (a <= rl)"))[0]',]


functions2 = [
'a[np.logical_and(a>=ll, a<=rl)]',
'a[(a>=ll) & (a<=rl)]',
'a[(a>=ll)*(a<=rl)]',
'a[np.vectorize(lambda x: ll <= x <= rl)(a)]',
'a[ne.evaluate("(ll <= a) & (a <= rl)")]',
]


rdict = {}
for i in functions:
rdict[i] = timeit.timeit(i,setup=setup,number=1000)
print("%s -> %s s" %(i,rdict[i]))


print("Sorted:")
for w in sorted(rdict, key=rdict.get):
print(w, rdict[w])

结果

正如@EZLearner 所指出的那样，结果在下面一个小数组的图中报告(在最上面的是最快的解决方案) ，它们可能随着数组的大小而变化。对于较大的数组，sorted slice可能更快，但是它需要对数组进行排序，因为可以选择超过10M 条目的数组 ne.evaluate。因此，使用与您的大小相同的数组执行此测试总是更好的:

如果您想提取的值不是索引，而是可以使用 function 2执行测试，但结果几乎是相同的。