condition 中需要包含一个待处理的ndarray(这里记为A)，那么对于A中的每个元素，如果满足条件，则将这个元素替换为x，否则，将这个元素替换为y。一个例子如下：

import numpy as np
A = np.array([1, 2, 3, 4, 5])
res = np.where(A > 3, 1, 0)
print(res)
[0 0 0 1 1]
即，对于A中的每个元素，逐个对比其是否大于3，是则将对应位置"替换"为1，不是则为0。
 
import numpy as np
np.where(condition)
类似的，对于A中的每个元素，检查其是否满足condition，如果是则返回其坐标。一个例子如下：
 
import numpy as np
A = np.array([1, 2, 3, 4, 5])
res = np.where(A > 3)
print(res)
(array([3, 4], dtype=int64),)
即下标3和下标4处的值满足条件。可以发现，这里返回的其实是一个tuple，这个tuple的维度与数组本身维度一致，用于返回多维的坐标。此外，通过简单套娃也可以将满足条件的值给取出来：
 
A = np.array([1, 2, 3, 4, 5])
res = np.where(A > 3)
print(A[res])
[4 5]
此时效果等同于直接使用A[A>3]。
amax(a, axis=None, out=None, keepdims=, initial=, where=)
Return the maximum of an array or maximum along an axis.寻找矩阵最大和最小的元素
axis=0 代表行 , axis=1 代表列
np.where有两种用法
1.np.where(condition,x,y)  当where内有三个参数时，第一个参数表示条件，当条件成立时where方法返回x，当条件不成立时where返回y
2.np.where(condition) 当where内只有一个参数时，那个参数表示条件，当条件成立时，where返回的是每个符合condition条件元素的坐标,返回的是以元组...
                                    np.where()详解及代码应用
np.where共两种用法:
第一种np.where(condition, x, y),即condition为条件,当满足条件输出为x,不满足条件则输出y.直接上代码:
a = np.arange(10)
//array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
print(np.where(a > 5, 1, -1))
//array([-1, -1, -1, -1, -1, -1,  1,  1,  1,  1]) 
上面的挺好理解的,但
matlab中find的函数的强大之处在于其能返回下标，且视返回参数的个数，返回以列全排序的一维下标（返回参数的个数为1），返回行列索引的二维坐标（返回参数的个数为2）：
    A = [1, 2, 3; 1, 2, 3; 1, 2, 3]
                                    总结一句，编写程序代码时，如果只看函数的功能，有时可能会因为惯性思维导致一些自己觉得莫名其妙的错误，就像在这里，因为np.where函数的功能和if else语句的功能类似，所以也自以为其执行的逻辑也是一样的，而忘记了函数本身的执行逻辑，结果就出现错误了。所以，惯性思维是把双刃剑，有时能助你快速解决问题，有时也会给你带来一些麻烦，正确认识这一点，才能有效避免这一误区。
                                    数据科学三分天下，Python占其一。Python数据科学 NumPy是基础，不管pandas还是tensorflow， NumPy都是基础库，学习NumPy基础类型和操作必不可少。本文我们就介绍NumPy基础，并以图形方式展现，以方便初学者理解。
            NumPy中最基本数据类型是数组，所有数据组织都是n维数组形式组织的。其中一维和二维数组是基础，其他多维...
                                    numpy.where() 有两种用法：1. np.where(condition, x, y)满足条件(condition)，输出x，不满足输出y。如果是一维数组，相当于[xv if c else yv for (c,xv,yv) in zip(condition,x,y)]>>> aa = np.arange(10)>>> np.where(aa,1,-1)...