假设我有一个二维坐标数组，看起来像这样
x = array([[1,2],[2,3],[3,4]])
在我的工作中，之前我生成了一个掩码，它看起来像这样
mask = [False,False,True]
当我尝试将此掩码应用于二维坐标向量时，我会得到一个错误
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。所以我尝试使用下面的口罩代替：
mask2 = np.column_stack((mask,mask))
newX = np.ma.compressed(np.ma.masked_array(x,mask2))
我得到的结果接近：
>>>array([1,2,2,3])
与我期望（并想要）的接近：
>>>array([[1,2],[2,3]])
一定有更简单的方法吧？
这是您正在寻找的内容吗？
import numpy as np
x[~np.array(mask)]
# array([[1, 2],
# [2, 3]])
或者从 NumPy 遮掩数组 中获取：
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)
使用 np.where，你可以做很多事情：
x_maskd = np.where(mask, x, 0)
np.where 接受三个参数，一个 condition、x 和 y。这三个参数必须可以广播到相同的形状。在 mask 为 True 的位置返回 x 值，否则返回 y 值。
您的x为3x2:
In [379]: x
Out[379]:
array([[1, 2],
[2, 3],
[3, 4]])
创建一个由3个布尔元素组成的掩码：
In [380]: rowmask=np.array([False,False,True])
它可以用于选择True或False的行。在两种情况下，结果都是二维的：
In [381]: x[rowmask,:]
Out[381]: array([[3, 4]])
In [382]: x[~rowmask,:]
Out[382]:
array([[1, 2],
[2, 3]])
这是不使用MaskedArray子类的情况。要创建这样的数组，我们需要一个与x形状匹配的掩码。目前还没有提供只屏蔽一个维度的功能。
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)
compressed函数后，会产生一个扁平化的数组：array([1, 2, 2, 3])。np.ma最合适，如果您想选择或取消选整行或整列，则没有太大帮助。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)
如果您具备
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.]]
你的面罩是
mask = np.array([True, True, True, False, True, False, True, False])
然后您的遮罩 A 就会变成：
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.]]
由于这些解决方案都对我没有用，所以我想写下我的解决方案，也许对其他人有用。我使用的是Python 3.x，并且处理了两个3D数组。其中一个我称之为data_3D，包含了脑部扫描中记录的浮点值，另一个template_3D包含代表大脑区域的整数。我想要从data_3D中选择与整数region_code相对应的值，如同template_3D一样：
my_mask = np.in1d(template_3D, region_code).reshape(template_3D.shape)
data_3D_masked = data_3D[my_mask]
这将为我提供一个只包含相关记录的一维数组。
compressed的使用。从compressed的文档字符串中可以看出：Return all the non-masked data as a 1-D array.
compressed将非掩码值压缩成一个一维数组。(必须这样做，因为不能保证压缩数据具有n维结构。)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)
masked_X = np.where(mask, X, 0) 是掩码数据的最快和最简单的方法：
X = np.array([[2,-1,4],
[3,-3,1],
[9,-7,2]])
mask = np.identity(3)
时间测量：
%timeit np.where(mask,X,0)
%timeit np.ma.array(X, mask=mask)
np.where是一个节省代码行数的好工具！ - Artashes