如果用到数据筛选功能，可以使用x if condition else y的逻辑实现。如果使用的是纯Python，可以使用不断迭代的方式对每一组元素组合进行相应的判断筛选。不过，如果使用numpy中的向量化计可以大大加速运算的过程。
在numpy中有一个这个三目运算的向量版本numpy.where。where方法可以接收三个参数，第一个参数为条件向量，而第二、第三个参数可以是矩阵也可以是标量。接下来做一下相应功能的纯Python功能实现以及向量方式实现。
记录如下：
In [76]: xarr = np.array([1.1,1.2,1.3,1.4,1.5])
In [77]: yarr = xarr + 1
In [78]: xarr
Out[78]: array([ 1.1, 1.2, 1.3, 1.4, 1.5])
In [79]: yarr
Out[79]: array([ 2.1, 2.2, 2.3, 2.4, 2.5])
In [80]: cond = np.array([True,False,True,True,False])
In [81]: cond
Out[81]: array([ True, False, True, True, False], dtype=bool)
In [82]: result1 = [(x if c else y) for x,y,c in zip(xarr,yarr,cond)]
In [83]: result1
Out[83]: [1.1000000000000001, 2.2000000000000002, 1.3, 1.3999999999999999, 2.5]
In [84]: result2 = np.where(cond,xarr,yarr)
In [85]: result2
Out[85]: array([ 1.1, 2.2, 1.3, 1.4, 2.5])
从浮点表示上，两者有一点点小小的差异，在小数点后多位，通常在数值表示上可以忽略。不过，这里还是要进行一下两个结果的一致性判断，因为之前也看到过Python在浮点表达上因为机器而产生的差异。测试的结果如下：
In [87]: result1 == result2
Out[87]: array([ True, True, True, True, True], dtype=bool)
从上面的结果可以看出，两个计算结果是一致的。
