[英]How to properly mask a numpy 2D array?
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,在我之前的工作中,我生成了一个面具,最终看起来像
mask = [False,False,True]
当我尝试在 2D 坐标向量上使用此蒙版时,出现错误
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])
符合我的期望(和想要):
>>>array([[1,2],[2,3]])
必须有更简单的方法来做到这一点?
这是您要找的吗?
import numpy as np
x[~np.array(mask)]
# array([[1, 2],
# [2, 3]])
或者从numpy 掩码数组:
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)
你的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 True 或为 False 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]])
这是不使用 MaskedArray 子类的。 为了制作这样的数组,我们需要一个在形状上与x
匹配的掩码。 没有规定仅屏蔽一维。
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)
对其应用compressed
会产生一个散乱的数组: array([1, 2, 2, 3])
由于屏蔽是逐个元素进行的,它可以屏蔽第 1 行中的一个元素,第 2 行中的第 2 行等。因此,通常compressing
、移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
在掩码值分散时最有意义。 如果您想选择或取消选择整行或整列,它没有多大价值。
================
以下是更典型的掩码数组:
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)
由于这些解决方案都不适合我,我想写下解决方案的作用,也许对其他人有用。 我使用 python 3.x 并且我处理了两个 3D 数组。 一个,我称之为data_3D
包含脑部扫描记录的浮点值,另一个, template_3D
包含代表大脑区域的整数。 我想从data_3D
选择这些值,对应于每个template_3D
的整数region_code
:
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。
使用np.where
你可以做各种各样的事情:
x_maskd = np.where(mask, x, 0)
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])
然后你的蒙面 A 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.]]
在您的最后一个示例中,问题不在于掩码。 这是您使用的compressed
. 从compressed
的文档字符串:
Return all the non-masked data as a 1-D array.
因此compressed
将非屏蔽值展平为一维数组。 (必须如此,因为不能保证压缩数据将具有 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)
masked_X = np.where(mask, X, 0)
是屏蔽数据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)
每个循环 969 ns ± 14.6 ns(7 次运行的平均值 ± 标准偏差,每次 1000000 次循环)
%timeit np.ma.array(X, mask=mask)
每个循环 6.47 µs ± 85.9 ns(7 次运行的平均值 ± 标准偏差,每次 100000 次循环)
我让你总结!
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.