Numpy“ma.where”与“where”有不同的行为......我怎样才能让它表现得一样？

Question

所以我尝试使用numpy.ma.where 为我创建一个数组，就像numpy.where 函数一样。 where 函数广播我的列数组，然后用零替换一些元素。我得到以下信息：

>>> import numpy
>>> condition = numpy.array([True,False, True, True, False, True]).reshape((3,2))
>>> print (condition)
[[ True False]
 [ True  True]
 [False  True]]
>>> broadcast_column = numpy.array([1,2,3]).reshape((-1,1)) # Column to be broadcast
>>> print (broadcast_column)
[[1]
 [2]
 [3]]
>>> numpy.where(condition, broadcast_column, 0) \
... # Yields the expected output, column is broadcast then condition applied
array([[1, 0],
       [2, 2],
       [0, 3]])
>>> numpy.ma.where(condition, broadcast_column, 0).data \
... # using the ma.where function yields a *different* array! Why?
array([[1, 0],
       [3, 1],
       [0, 3]], dtype=int32)
>>> numpy.ma.where(condition, broadcast_column.repeat(2,axis=1), 0).data \
... # The problem doesn't occur if broadcasting isnt used
array([[1, 0],
       [2, 2],
       [0, 3]], dtype=int32)

非常感谢您的帮助！

我的 numpy 版本是 1.6.2

Answer 1

np.ma.where 的核心是声明： （在 Ubuntu 上，请参阅 /usr/share/pyshared/numpy/ma/core.py）

np.putmask(_data, fc, xv.astype(ndtype))

_data是要返回的掩​​码数组中的数据。

fc 是布尔数组，条件为真时为真。

xv.astype(ndtype) 是要插入的值，例如broadcast_column.

In [90]: d = np.empty(fc.shape, dtype=ndtype).view(np.ma.MaskedArray)

In [91]: _data = d._data

In [92]: _data
Out[92]: 
array([[5772360, 5772360],
       [      0,      17],
       [5772344, 5772344]])

In [93]: fc
Out[93]: 
array([[ True, False],
       [ True,  True],
       [False,  True]], dtype=bool)

In [94]: xv.astype(ndtype)
Out[94]: 
array([[1],
       [2],
       [3]])

In [95]: np.putmask(_data, fc, xv.astype(ndtype))

In [96]: _data
Out[96]: 
array([[      1, 5772360],
       [      3,       1],
       [5772344,       3]])

注意数组中间行的 3 和 1。

问题是np.putmask 不广播值，它会重复它们：

来自np.putmask 的文档字符串：

putmask(a, 掩码, 值)

为mask.flat[n]==True 的每个n 设置a.flat[n] = values[n]。

如果values 的大小与a 和mask 的大小不同，那么它将 重复。这给出了与a[mask] = values 不同的行为。

当您显式广播时，flat 返回所需的展平值：

In [97]: list(broadcast_column.repeat(2,axis=1).flat)
Out[97]: [1, 1, 2, 2, 3, 3]

但如果你不广播，

In [99]: list(broadcast_column.flat) + list(broadcast_column.flat)
Out[99]: [1, 2, 3, 1, 2, 3]

正确的值不在所需的位置。

---

PS。在最新版本的 numpy 中，the code reads

np.copyto(_data, xv.astype(ndtype), where=fc)

我不确定这对行为有什么影响；我没有足够新的 numpy 版本来测试。