合并两个 numpy 掩码数组的有效方法

Question

我有两个要合并的 numpy 掩码数组。我正在使用以下代码：

import numpy as np

a = np.zeros((10000, 10000), dtype=np.int16)
a[:5000, :5000] = 1
am = np.ma.masked_equal(a, 0)

b = np.zeros((10000, 10000), dtype=np.int16)
b[2500:7500, 2500:7500] = 2
bm = np.ma.masked_equal(b, 0)

arr = np.ma.array(np.dstack((am, bm)), mask=np.dstack((am.mask, bm.mask)))
arr = np.prod(arr, axis=2)
plt.imshow(arr)

问题是 np.prod() 操作很慢（在我的电脑上是 4 秒）。有没有其他方法可以更有效地获取合并数组？

Answer 1

不要使用 dstack() 和 prod() 的最后两行，试试这个：

arr = np.ma.array(am.filled(1) * bm.filled(1), mask=(am.mask * bm.mask))

现在您根本不需要 prod()，并且完全避免分配 3D 数组。

Answer 2

受已接受答案的启发，我找到了一种合并屏蔽数组的简单方法。它可以对掩码进行一些逻辑运算并简单地添加 0 个填充数组。

import numpy as np

a = np.zeros((1000, 1000), dtype=np.int16)
a[:500, :500] = 2
am = np.ma.masked_equal(a, 0)

b = np.zeros((1000, 1000), dtype=np.int16)
b[250:750, 250:750] = 3
bm = np.ma.masked_equal(b, 0)

c = np.zeros((1000, 1000), dtype=np.int16)
c[500:1000, 500:1000] = 5
cm = np.ma.masked_equal(c, 0)

bm.mask = np.logical_or(np.logical_and(am.mask, bm.mask), np.logical_not(am.mask))
am = np.ma.array(am.filled(0) + bm.filled(0), mask=(am.mask * bm.mask))

cm.mask = np.logical_or(np.logical_and(am.mask, cm.mask), np.logical_not(am.mask))
am = np.ma.array(am.filled(0) + cm.filled(0), mask=(am.mask * cm.mask))

plt.imshow(am)

我希望有人能在某个时候发现这有帮助。蒙面数组似乎不是很有效。所以，如果有人找到合并数组的替代方法，我会很高兴知道。

更新：根据@morningsun 的评论，此实现速度提高了 30%，也更加简单：

import numpy as np

a = np.zeros((1000, 1000), dtype=np.int16)
a[:500, :500] = 2
am = np.ma.masked_equal(a, 0)

b = np.zeros((1000, 1000), dtype=np.int16)
b[250:750, 250:750] = 3
bm = np.ma.masked_equal(b, 0)

c = np.zeros((1000, 1000), dtype=np.int16)
c[500:1000, 500:1000] = 5
cm = np.ma.masked_equal(c, 0)

am[am.mask] = bm[am.mask]
am[am.mask] = cm[am.mask]

plt.imshow(am)

Answer 3

我采用了另一种可能不是特别有效但相当容易扩展和实施的方法。

（我知道我正在回答一个超过 3 年的问题，其功能在 numpy 中已经存在很长时间了，但请耐心等待）

numpy中的np.where函数有两个主要目的（有点奇怪），第一个是给你一个布尔数组的索引：

>>> import numpy as np

>>> a = np.arange(12).reshape(3, 4)
>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

>>> m = (a % 3 == 0)
>>> m
array([[ True, False, False,  True],
       [False, False,  True, False],
       [False,  True, False, False]], dtype=bool)

>>> row_ind, col_ind = np.where(m)
>>> row_ind
array([0, 0, 1, 2])
>>> col_ind
array([0, 3, 2, 1])

np.where 函数的另一个目的是根据给定的布尔数组是否为 True/False:

从两个数组中进行选择

>>> np.where(m, a, np.zeros(a.shape))
array([[ 0.,  0.,  0.,  3.],
       [ 0.,  0.,  6.,  0.],
       [ 0.,  9.,  0.,  0.]])

事实证明，还有一个 numpy.ma.where 处理屏蔽数组...

给定相同形状的掩码数组列表，我的代码如下所示：

merged = masked_arrays[0]
for ma in masked_arrays[1:]:
    merged = np.ma.where(ma.mask, merged, ma)

正如我所说，效率不是特别高，但实施起来肯定很容易。

HTH

合并两个 numpy 掩码数组的有效方法

Efficient way of merging two numpy masked arrays

python

numpy

multidimensional-array

mask

array-merge