如何正确屏蔽 numpy 二维数组？

Question

假设我有一个二维坐标数组，看起来像

x = array([[1,2],[2,3],[3,4]])

到目前为止，在我的工作中，我生成了一个面具，最终看起来像

mask = [False,False,True]

当我尝试在 2D 坐标向量上使用此遮罩时，我收到错误

newX = np.ma.compressed(np.ma.masked_array(x,mask))

>>>numpy.ma.core.MaskError: Mask and data not compatible: data size 
   is 6, mask size is 3.`

我想这是有道理的。所以我尝试简单地使用以下掩码：

mask2 = np.column_stack((mask,mask))
newX = np.ma.compressed(np.ma.masked_array(x,mask2))

我得到的很接近：

>>>array([1,2,2,3])

达到我的期望（和想要）：

>>>array([[1,2],[2,3]])

一定有更简单的方法来做到这一点？

Answer 1

这是你要找的吗？

import numpy as np
x[~np.array(mask)]
# array([[1, 2],
#        [2, 3]])

或来自numpy masked array：

newX = np.ma.array(x, mask = np.column_stack((mask, mask)))
newX

# masked_array(data =
#  [[1 2]
#  [2 3]
#  [-- --]],
#              mask =
#  [[False False]
#  [False False]
#  [ True  True]],
#        fill_value = 999999)

Answer 2

您的x 是 3x2：

In [379]: x
Out[379]: 
array([[1, 2],
       [2, 3],
       [3, 4]])

制作一个 3 元素布尔掩码：

In [380]: rowmask=np.array([False,False,True])

这可用于选择为真或为假的行。在这两种情况下，结果都是 2d：

In [381]: x[rowmask,:]
Out[381]: array([[3, 4]])

In [382]: x[~rowmask,:]
Out[382]: 
array([[1, 2],
       [2, 3]])

这没有使用 MaskedArray 子类。要制作这样的数组，我们需要一个形状与x 匹配的掩码。没有规定只屏蔽一个维度。

In [393]: xmask=np.stack((rowmask,rowmask),-1)  # column stack

In [394]: xmask
Out[394]: 
array([[False, False],
       [False, False],
       [ True,  True]], dtype=bool)

In [395]: np.ma.MaskedArray(x,xmask)
Out[395]: 
masked_array(data =
 [[1 2]
 [2 3]
 [-- --]],
             mask =
 [[False False]
 [False False]
 [ True  True]],
       fill_value = 999999)

应用compressed 会产生一个散列数组：array([1, 2, 2, 3])

由于屏蔽是逐个元素的，因此它可以屏蔽第 1 行中的一个元素，第 2 行中的 2 个等。所以一般compressing，删除被屏蔽的元素不会产生二维数组。扁平形式是唯一的通用选择。

np.ma 在屏蔽值分散时最有意义。如果要选择或取消选择整行或整列，它没有多大价值。

================

下面是比较典型的掩码数组：

In [403]: np.ma.masked_inside(x,2,3)
Out[403]: 
masked_array(data =
 [[1 --]
 [-- --]
 [-- 4]],
             mask =
 [[False  True]
 [ True  True]
 [ True False]],
       fill_value = 999999)

In [404]: np.ma.masked_equal(x,2)
Out[404]: 
masked_array(data =
 [[1 --]
 [-- 3]
 [3 4]],
             mask =
 [[False  True]
 [ True False]
 [False False]],
       fill_value = 2)

In [406]: np.ma.masked_outside(x,2,3)
Out[406]: 
masked_array(data =
 [[-- 2]
 [2 3]
 [3 --]],
             mask =
 [[ True False]
 [False False]
 [False  True]],
       fill_value = 999999)

Answer 3

有了np.where，你可以做各种各样的事情：

x_maskd = np.where(mask, x, 0)

Answer 4

由于这些解决方案都不适合我，我想写下解决方案的作用，也许它对其他人有用。我使用 python 3.x 并处理了两个 3D 数组。一个，我称之为data_3D 包含大脑扫描中记录的浮点值，另一个，template_3D 包含表示大脑区域的整数。我想从data_3D 中选择对应于整数region_code 的值，根据template_3D：

my_mask = np.in1d(template_3D, region_code).reshape(template_3D.shape)
data_3D_masked = data_3D[my_mask]

这给了我一个只有相关录音的一维数组。

Answer 5

在您的最后一个示例中，问题不在于掩码。这是您对compressed 的使用。来自compressed的文档字符串：

Return all the non-masked data as a 1-D array.

所以compressed 将非屏蔽值展平为一维数组。 （必须如此，因为无法保证压缩后的数据具有 n 维结构。）

在压缩之前先看一下掩码数组：

In [8]: np.ma.masked_array(x, mask2)

Out[8]: 
masked_array(data =
 [[1 2]
 [2 3]
 [-- --]],
             mask =
 [[False False]
 [False False]
 [ True  True]],
       fill_value = 999999)

Answer 6

如果你有

A =  [[  8.   0. 165.  22. 164.  47. 184. 185.]
      [  0.   6. -74. -27.  63.  49. -46. -48.]
      [165. -74.   0.   0.   0.   0.   0.   0.]
      [ 22. -27.   0.   0.   0.   0.   0.   0.]
      [164.  63.   0.   0.   0.   0.   0.   0.]
      [ 47.  49.   0.   0.   0.   0.   0.   0.]
      [184. -46.   0.   0.   0.   0.   0.   0.]
      [185. -48.   0.   0.   0.   0.   0.   0.]]

你的面具是

mask = np.array([True, True, True, False, True, False, True, False])

那么你的蒙面 A 就变成了

A[mask, :][:, mask] = [[  8.   0. 165. 164. 184.]
                       [  0.   6. -74.  63. -46.]
                       [165. -74.   0.   0.   0.]
                       [164.  63.   0.   0.   0.]
                       [184. -46.   0.   0.   0.]]