一种解决办法是：

import numpy as np
a = np.array([1, 2, 3, 4, 5])
(a > 1) & (a < 5)  # 1 < element < 5?
# array([False,  True,  True,  True, False])

另一种方法是使用numpy.any，下面是一个示例

import numpy as np
a = np.array([1,2,3,4,5])
np.any((a < 1)|(a > 5 ))

也可以将矩阵居中并使用到0的距离

upper_limit = 5
lower_limit = 1
a = np.array([1,2,3,4,5])
your_mask = np.abs(a- 0.5*(upper_limit+lower_limit))<0.5*(upper_limit-lower_limit)

需要记住的一点是，比较在两端是对称的，因此它可以执行1<x<5或1<=x<=5，但不能执行1<=x<5

在多维数组中，可以使用建议的np.any()选项或比较运算符，而使用&和and将引发错误。

使用比较运算符的示例（在多维数组上）

import numpy as np

arr = np.array([[1,5,1],
                [0,1,0],
                [0,0,0],
                [2,2,2]])

现在，如果你想检查数组值是否在一个范围内，例如A〈arr〈B，使用==;如果你想检查数组值是否在一个范围外，例如arr〈A and arr〉B，使用!=：

(arr<1) != (arr>3)
> array([[False,  True, False],
         [ True, False,  True],
         [ True,  True,  True],
         [False, False, False]])

(arr>1) == (arr<4)
> array([[False, False, False],
         [False, False, False],
         [False, False, False],
         [ True,  True,  True]])

将基于NumPy的方法与Numba加速的循环进行比较是很有趣的：

import numpy as np
import numba as nb

def between(arr, a, b):
    return (arr > a) & (arr < b)

@nb.njit(fastmath=True)
def between_nb(arr, a, b):
    shape = arr.shape
    arr = arr.ravel()
    n = arr.size
    result = np.empty_like(arr, dtype=np.bool_)
    for i in range(n):
        result[i] = arr[i] > a or arr[i] < b
    return result.reshape(shape)

基准的计算和绘制：
x一个一个一个一个x一个一个二个x
导致：

表明（在我的测试条件下）：

• 对于更大和更小的输入，Numba方法可以提高20%的速度
• 对于中等大小的输入，NumPy方法通常更快