如何将一个数组中的掩码应用到另一个数组？

Question

我已经多次阅读了屏蔽数组文档，到处搜索，感觉非常愚蠢。我无法弄清楚如何将一个数组中的掩码应用到另一个数组中。

示例：

import numpy as np

y = np.array([2,1,5,2])          # y axis
x = np.array([1,2,3,4])          # x axis
m = np.ma.masked_where(y>2, y)   # filter out values larger than 5
print m
[2 1 -- 2]
print np.ma.compressed(m)
[2 1 2]

所以这工作正常......但是要绘制这个 y 轴，我需要一个匹配的 x 轴。如何将 y 数组中的掩码应用到 x 数组？像这样的东西是有道理的，但会产生垃圾：

new_x = x[m.mask].copy()
new_x
array([5])

那么，到底是怎么做到的（注意新的 x 数组需要是一个新数组）。

编辑：

嗯，似乎一种方法可以这样工作：

>>> import numpy as np
>>> x = np.array([1,2,3,4])
>>> y = np.array([2,1,5,2])
>>> m = np.ma.masked_where(y>2, y)
>>> new_x = np.ma.masked_array(x, m.mask)
>>> print np.ma.compressed(new_x)
[1 2 4]

但这太混乱了！我正在尝试找到一个像 IDL 一样优雅的解决方案...

Answer 1

我遇到了类似的问题，但涉及加载更多屏蔽命令和更多数组来应用它们。我的解决方案是在一个数组上执行所有屏蔽，然后使用最终屏蔽的数组作为

mask_where

命令中的条件。

例如：

y = np.array([2,1,5,2])                         # y axis
x = np.array([1,2,3,4])                         # x axis
m = np.ma.masked_where(y>5, y)                  # filter out values larger than 5
new_x = np.ma.masked_where(np.ma.getmask(m), x) # applies the mask of m on x

好处是您现在可以将此掩码应用于更多阵列，而无需对每个数组执行掩码过程。

Answer 2

为什么不简单地

import numpy as np

y = np.array([2,1,5,2])          # y axis
x = np.array([1,2,3,4])          # x axis
m = np.ma.masked_where(y>2, y)   # filter out values larger than 5
print list(m)
print np.ma.compressed(m)

# mask x the same way
m_ = np.ma.masked_where(y>2, x)   # filter out values larger than 5
# print here the list
print list(m_) 
print np.ma.compressed(m_)

代码适用于Python 2.x

此外，正如 joris 所提议的，这可以完成工作

new_x = x[~m.mask].copy()

给出一个数组

>>> new_x
array([1, 2, 4])

Answer 3

这可能不是 100% OP 想知道的， 但这是我一直使用的一段可爱的小代码 - 如果你想以同样的方式屏蔽多个数组，你可以使用这个通用函数一次屏蔽动态数量的 numpy 数组：

def apply_mask_to_all(mask, *arrays):
assert all([arr.shape == mask.shape for arr in arrays]), "All Arrays need to have the same shape as the mask"
return tuple([arr[mask] for arr in arrays])

请参阅此示例用法：

    # init 4 equally shaped arrays
x1 = np.random.rand(3,4)
x2 = np.random.rand(3,4)
x3 = np.random.rand(3,4)
x4 = np.random.rand(3,4)

# create a mask
mask = x1 > 0.8

# apply the mask to all arrays at once
x1, x2, x3, x4 = apply_mask_to_all(m, x1, x2, x3, x4)

Answer 4

我知道这是一篇旧文章，但对于那些可能想以更直接的方式完成类似事情的人来说：

方法一：

import numpy as np

y = np.array([2,1,5,2])
x = np.array([1,2,3,4])

locs=~(y>2)
new_x=x[locs]
new_y=y[locs]

print('locs: ', locs)
print('new_x: ', new_x)
print('new_y: ', new_y)

输出：

locs:  [ True  True False  True]
new_x:  [1 2 4]
new_y:  [2 1 2]

方法2：

import numpy as np

y = np.array([2,1,5,2])
x = np.array([1,2,3,4])

locs=np.where(~(y>2))[0]
new_x=x[locs]
new_y=y[locs]

print('locs: ', locs)
print('new_x: ', new_x)
print('new_y: ', new_y)

输出：

locs:  [0 1 3]
new_x:  [1 2 4]
new_y:  [2 1 2]