我注意到 numpy masked-array mean method可能不应该返回不同的类型:
import numpy as np
A = np.ma.masked_equal([1,1,0], value=0)
B = np.ma.masked_equal([1,1,1], value=0) # no masked values
type(A.mean())
#numpy.float64
type(B.mean())
#numpy.ma.core.MaskedArray
其他numpy.ma.core.MaskedArray
方法似乎是一致的
type( A.sum()) == type(B.sum())
# True
type( A.prod()) == type(B.prod())
# True
type( A.std()) == type(B.std())
# True
type( A.mean()) == type(B.mean())
# False
谁能解释一下?
更新:正如评论中指出的
C = np.ma.masked_array([1, 1, 1], mask=[False, False, False])
type(C.mean()) == type(A.mean())
# True
最佳答案
B.mask
开始于:
if self._mask is nomask:
result = super(MaskedArray, self).mean(axis=axis, dtype=dtype)
np.ma.nomask
为 False
。
您的 B
就是这种情况:
masked_array(data = [1 1 1],
mask = False,
fill_value = 0)
对于 A
,掩码是一个与 data
大小匹配的数组。在 B
中,它是一个标量,False
,mean
将其作为特殊情况处理。
我需要进一步挖掘以了解这意味着什么。
In [127]: np.mean(B)
Out[127]:
masked_array(data = 1.0,
mask = False,
fill_value = 0)
In [141]: super(np.ma.MaskedArray,B).mean()
Out[141]:
masked_array(data = 1.0,
mask = False,
fill_value = 0)
我不确定这有帮助; np.ndarray
方法与 np
函数和 np.ma
方法之间存在一些循环引用,这使得很难准确识别代码正在被使用。它就像是使用已编译的 mean
方法,但它如何处理屏蔽并不明显。
不知是不是用意
np.mean(B.data) # or
B.data.mean()
super
方法 fetch 不是正确的方法。
在任何情况下,同一个数组,但带有矢量掩码,返回标量。
In [132]: C
Out[132]:
masked_array(data = [1 1 1],
mask = [False False False],
fill_value = 0)
In [133]: C.mean()
Out[133]: 1.0
====================
在没有 nomask
快捷方式的情况下尝试此方法,会在之后引发错误
dsum = self.sum(axis=axis, dtype=dtype)
cnt = self.count(axis=axis)
if cnt.shape == () and (cnt == 0):
result = masked
else:
result = dsum * 1. / cnt
self.count
在 nomask
情况下返回标量,但在常规掩码情况下返回 np.int32
。所以 cnt.shape
窒息了。
trace
是唯一尝试此 super(MaskedArray...)
“快捷方式”的其他屏蔽方法。平均代码显然有些问题。
====================
相关错误问题:https://github.com/numpy/numpy/issues/5769
据此,去年这里提出了同样的问题:Testing equivalence of means of Numpy MaskedArray instances raises attribute error
看起来有很多屏蔽问题,不仅仅是 mean
。现在或在不久的将来可能会在开发大师中进行修复。
关于python - numpy.ma(屏蔽)数组均值方法具有不一致的返回类型,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/38164773/