应用相同形状的蒙版时 Numpy 数组丢失尺寸

Question

我创建了一个名为 mask 的 2D 蒙版，其形状与数组 data 相同，我想将其应用于数组。但是，当我这样做时，数据会失去它的形状并变成一维的。

我认为，由于轴 0 的每个级别都是相同的（显示为使用循环理解创建 mask），因此输出将产生形状为 (837, 10)

的输出

我想知道是否有任何 numpy 技巧可用于在不使用 reshape 的情况下实现此目标？

>>> data.shape
(837, 44)

>>> m = altitudes < 50000
>>> m.shape
(44,)

>>> np.sum(m) # calculates my expected dimension for axis 1
10

>>> mask = [m for i in range(data.shape[0])]
>>> mask.shape
(837, 44)

>>> new_data = data[mask]
>>> new_data.shape
(8370,) # same as 837 * 10 (dimension wanted)

如果这不能实现，为什么会这样？

Answer 1

相信你想做的事，打电话new_data.reshape(837, -1)就可以完成。这是一个简短的例子：

arr = np.arange(8*6).reshape(8,6)
maskpiece = np.array([True, False]*3)
mask = np.broadcast_to(maskpiece, (8,6))

print('the original array\n%s\n' % arr)
print('the flat masked array\n%s\n' % arr[mask])
print('the masked array reshaped into 2D\n%s\n' % arr[mask].reshape(8, -1))

输出：

the original array
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]
 [24 25 26 27 28 29]
 [30 31 32 33 34 35]
 [36 37 38 39 40 41]
 [42 43 44 45 46 47]]

the flat masked array
[ 0  2  4  6  8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46]

the masked array reshaped into 2D
[[ 0  2  4]
 [ 6  8 10]
 [12 14 16]
 [18 20 22]
 [24 26 28]
 [30 32 34]
 [36 38 40]
 [42 44 46]]

Answer 2

实现目标的 'correct' 方法是不将蒙版扩展为二维。而是使用 [:, mask] 和 1D 掩码进行索引。这向 numpy 表明您希望轴 0 不变并且 mask 沿轴 1 应用。

a = np.arange(12).reshape(3, 4)
b = np.array((1,0,1,0),'?')
a
# array([[ 0,  1,  2,  3],
#        [ 4,  5,  6,  7],
#        [ 8,  9, 10, 11]])
b
# array([ True, False,  True, False])
a[:, b]
# array([[ 0,  2],
#        [ 4,  6],
#        [ 8, 10]])

如果您的 mask 已经是二维的，numpy 将不会检查其所有行是否相同，因为那样效率很低。但显然你可以在这种情况下使用 [:, mask[0]]。

如果您的 mask 是二维的，并且恰好每行中的 True 数量相同，那么要么使用@tel 的答案。或者创建索引数组：

B = b^b[:3, None]
B
# array([[False,  True, False,  True],
#        [ True, False,  True, False],
#        [False,  True, False,  True]])
J = np.where(B)[1].reshape(len(B), -1)

现在要么

np.take_along_axis(a, J, 1)
# array([[ 1,  3],
#        [ 4,  6],
#        [ 9, 11]])

或

I = np.arange(len(J))[:, None]
IJ = I, J
a[IJ]
# #array([[ 1,  3],
#         [ 4,  6],
#         [ 9, 11]])

应用相同形状的蒙版时 Numpy 数组丢失尺寸

Numpy array losing dimensions when applying mask of same shape

python

arrays

numpy

masking

numpy-ndarray