NumPy中掩码数组怎么创建

本篇内容主要讲解“NumPy中掩码数组怎么创建”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“NumPy中掩码数组怎么创建”吧!

1. 介绍

numpy.ma子模块通过引入掩码数组提供了一种解决数据缺失或无效问题的安全、便捷的方法。numpy.ma子模块的主体是MaskedArray类，他是numpy.ndarray的派生类，可以把numpy.ma子模块当做ndarray来用，且无须考虑数组的无效值是否会给操作带来无法预制的意外

2. 创建掩码数组

import numpy as np
import numpy.ma as ma

2.1 由列表生成掩码数组

掩码数组子模块的ma.array()函数和Numpy的np.array()函数类似，可以直接将列表生成掩码数组，默认mask参数为False，生成的数组类型是MaskedArray类。数组掩码梳理后，无论是查找最大值、最小值，还是计算均值、方差，都不用再担心数据是否无效的问题了

import numpy as np
import numpy.ma as ma

a = ma.array([0, 1, 2, 3], mask=[0, 0, 1, 0]) # 指定第3个元素无效
print(a)
print(type(a))
print(a.min(), a.max(), a.mean(), a.var())

2.2 由数组生成掩码数组

ma.asarray()函数可以将普通的NumPy数组转成掩码数组。新生成的掩码数组不会对原数组中的np.nan或np.inf做掩码处理，但是会相应调整填充值(fill_value)

import numpy as np
import numpy.ma as ma

a = np.arange(5)
print(ma.asarray(a))

a = np.array([1, np.nan, 2, np.inf, 3]) # 包含特殊值的数组
print(ma.asarray(a))

2.3 对数组中的无效值做掩码处理

ma.asarray()函数不会对原数组中的np.nan或np.inf做掩码处理，ma.masked_invalid()函数则可以实现这个功能

import numpy as np
import numpy.ma as ma

a = np.array([1, np.nan, 2, np.inf, 3])
print(ma.masked_invalid(a))

2.4 对数组中的给定值做掩码处理

有时需要将数组中的某个给定值设置为无效(掩码)，ma.masked_equal()函数可以实现这个功能

import numpy as np
import numpy.ma as ma

a = np.arange(3).repeat(2)
print(ma.masked_equal(a, 1)) # 对数组元素1做掩码

2.5 对数组中符合条件的特定值做掩码处理

有时需要将数组中符合条件的某些特定值设置为无效(掩码)，掩码数组子模块提供了若干函数实现条件掩码。这些可能的筛选条件包括大于、大于等于、小于、小于等于、区间内、区间外等6中。

import numpy as np
import numpy.ma as ma

a = np.arange(8)
print(ma.masked_greater(a, 4)) # 掩码大于4的元素
print(ma.masked_greater_equal(a, 4)) # 掩码大于等于4的元素
print( ma.masked_less(a, 4)) # 掩码小于4的元素
print(ma.masked_less_equal(a, 4)) # 掩码小于等于4的元素
print(ma.masked_inside(a, 2, 5)) # 掩码 [2,5]之间的元素
print(ma.masked_outside(a, 2, 5)) # 掩码 [2,5]之外的元素

2.6 用一个数组的条件筛选结果对另一个数组做掩码处理

a和b是两个结构相同的数组，如果用a>5的条件对数组b掩码，上面那些函数就失效了。这种情况可以使用ma.masked_where()函数，该函数也可以对数组自身掩码

import numpy as np
import numpy.ma as ma

a = np.arange(8)
b = np.random.random(8)
print( ma.masked_where(a>5, b)) # 用a>5的条件掩码数组b

3. 访问掩码数组

3.1 索引和切片

因为掩码数组MaskedArray类是numpy.ndarray的派生类，所以那些用在普通NumPy数组上的索引和切片操作也依然有效

import numpy as np
import numpy.ma as ma

a = np.array([1, np.nan, 2, np.inf, 3])
a = ma.masked_invalid(a)
print(a[0], a[1], a[-1])
print(a[1:-1])

3.2 函数应用

掩码数组内置方法的使用和普通数组没有区别。使用NumPy命名空间的函数则要慎重，如果掩码数组子模块有对应函数，应优先使用数组子模块的对应函数。例如，对掩码数组求正弦，如果使用np.sin()函数，会发出警告信息；如果使用ma.sin()函数，则无任何问题

import numpy as np
import numpy.ma as ma

a = np.array([1, np.nan, 2, np.inf, 3])
a = ma.masked_invalid(a)
print(a.min(), a.max(), a.mean(), a.var())
#print(np.sin(a)) # 虽然可以执行，但会弹出警告
print(ma.sin(a)) # 这才是正确的用法

3.3 掩码数组转为普通数组

任何情况下，我们都可以通过掩码数组的data属性来获得掩码数组的数据视图，其类型就是np.ndarray数组。另外，还可以使用掩码数组的__array__()函数或ma.getdata()函数来获取掩码数组的数据视图。上述三种方法获得数据视图的操作，本质上都是操作掩码的数组本身。如果需要数据视图副本，需使用copy()函数

import numpy as np
import numpy.ma as ma

a = ma.array([1, np.nan, 2, np.inf, 3])
print(a)

x = a.data
y = a.__array__()
z = ma.getdata(a)
w = np.copy(a.__array__()) # 复制数据视图

print(x)
print(y)
print(z)
print(w)

a[-1] = 9
print(x)
print(y)
print(z)
print(w)

3.4 修改掩码

通过掩码数组的mask属性可以查看当前数组的掩码情况，其代码如下。通常，数组的掩码是一个布尔型数组，或是一个布尔值

import numpy as np
import numpy.ma as ma

a = ma.masked_invalid(np.array([1, np.nan, 2, np.inf, 3]))
print(a.mask)

如果要对数组切片掩码或对数组的某个元素掩码，直接令该切片或该元素等于ma.masked常量即可

import numpy as np
import numpy.ma as ma

a = ma.masked_invalid(np.array([1, np.nan, 2, np.inf, 3]))
print(a.mask)
print(a)

a[:2] = ma.masked
print(a)

如果要撤销对数组切片或数组中的某个元素的掩码，只需要对该切片或该元素做赋值操作即可

import numpy as np
import numpy.ma as ma

a = ma.masked_invalid(np.array([1, np.nan, 2, np.inf, 3]))
a[1] = 1.5
a[2:4] = 5
print(a)

到此，相信大家对“NumPy中掩码数组怎么创建”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！