我有兴趣根据使用 numpy 的匹配 bool 掩码从全局二维数组生成 np.arrays 的列表(或 np.array)，用于特定轴。我想知道是否可以使用 np.ma.mask() 或类似的...
举个例子可能更好:
number= 10
x = np.linspace(0,number,num=number+1,dtype=int)
B = np.vstack((x%3==0, x%2==0, x%1==0))
X = np.vstack((x//3, x//2, x-1))
list_ = []
for i in range(1,number+1):
pointer = X[:,i][B[:,i]]
list_.append(pointer)
print(list_)
[array([0]), array([1, 1]), array([1, 2]), array([2, 3]), array([4]), array([2, 3, 5]), array([6]), array([4, 7]), array([3, 8]), array([5, 9])]
在 for 循环中，我基本上是基于 bool 掩码 B 在二维数组 X 中提取 axis=1 上的值。我通过遍历 axis=0 并选择 X[:,i][ 来实现此目的双]]。我想知道是否可以在没有循环的情况下执行此操作，因为范围可能非常大，并且完全在 numpy 中执行，也许在 np.ma.array(X,mask=B) 上使用 where 语句？
干杯!
最佳答案
以下是我将遵循的以矢量化方式解决案例的步骤 -
- 使用
bool 索引从X中选择有效元素。 - 获取我们看到列索引为输入掩码移动的索引。这将在转置掩码后实现，使用
np.where并选择第一个输入参数。 - 最后，使用这些索引，拆分在步骤 1 中获得的有效元素数组。
实现看起来像这样-
cut_idx = np.unique(np.where(B[:,1:].T)[0],return_index=True)[1]
out_list_ = np.split(X[:,1:].T[B[:,1:].T],cut_idx[1:])
关于python - Numpy根据mask生成全局数组的子集，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/36904051/