np.where((x>=2)&(x<7), x**2, x**3)

字符串
就是你要找的东西。
np.where（最多）采用3个参数。一个条件（因此是一个布尔值数组），以及两个根据条件选择的值。
请注意，您的程式码中有3个问题。
1.如果x是一个numpy数组，你就不能用if x<7。x<7是一个布尔值数组。和和数组的布尔值既不为真也不为假。这就是你得到的错误信息的含义。
1.语法2<=x<7不可能与数组一起使用。2<=x是一个布尔值数组。x<7是另一个布尔数组。您可以使用运算符&对两个布尔值数组进行and运算。但2<=x<7不是布尔值数组。因为在现实中同样的原因：2<=x<7是(2<=x) and (x<7)的Python快捷方式。如果x是一个标量，那么这是有意义的，因此2<=x和x<7都是布尔值（或者任何具有“真值”的值）。但如果2<=x和x<7是数组，就不是了（因此，对于这类事情，还有另一个运算符&）
1.即使它在工作，即使if 2<=x<7:...有意义，你会从那里做什么。这是一个单一的回报。这不是量子力学：则结果是return x**2或者是return x**3。不可能两者都是。因此，无论如何，逻辑都不起作用。不可能这么简单。您要返回的既不是x**2，也不是x**3，而是由两者组成的新数组。
嗯，我说“不可能那么简单”，但正如你所看到的，正确的答案也很简单。但它依赖于numpy函数，而不是纯粹的python if/else。

另一种方法

这不是唯一的 numpy 方式。
例如，您还可以

ret=np.empty_like(x)
cond=(x>=2)&(x<7)
ret[cond]=x[cond]**2
ret[~cont]=x[~cond]**2
return ret

型
该方法的一个优点是，它不会在任何地方计算x**2和x**3，即使在不需要的地方也是如此（而np.where方法会计算所有数字的**2和**3，并针对每种情况选择2个中的一个）。
缺点是它需要几个索引操作。在这种情况下，由于索引操作的扩展性并不比**2或**3小，因此速度并不快。在这个例子中，不管x的大小如何，np.where方法在我的机器上的速度要快30%，即使它做了无用的计算。
但是在一个更复杂的情况下，比如说

def whereBased(x):
    return np.where((x>=2)&(x<7), np.sin(2*np.sqrt(np.exp(x))*np.pi), np.cos(2*np.sqrt(np.exp(x))*np.pi))

型
因此，如果运算的开销比**2稍大，则值得尝试避免在所有x上同时计算sin和cos，并放弃一半的计算。

def indexBased(x):
    ret=np.empty_like(x)
    cond=(x>=2)&(x<7)
    ret[cond] = np.sin(2*np.sqrt(np.exp(x[cond]))*np.pi)
    ret[~cond] = np.cos(2*np.sqrt(np.exp(x[~cond]))*np.pi)
    return ret

型
这一次，情况正好相反。基于索引的解决方案的速度提高了30%。
这仍然是一个非常简单的例子（每个数字只有2次乘法，一个sin/cos，一个exp和一个sqrt）。
您的实际计算越复杂（我认为您的真实的用例不是x**2与x**3），这种只执行所需计算的解决方案就越有价值。

比较2 <= x < 7无效。这里比较的是NumPy数组，而不是离散值。
您可以使用NumPywhere方法：

x = np.linspace(0, 10, 11)

result = np.where((2 <= x) & (x < 7), x**2, x**3)

字符串
其输出：

array([   0.,    1.,    4.,    9.,   16.,   25.,   36.,  343.,  512.,
        729., 1000.])

型