下面为大家分享一篇numpy掩码式数组详解，具有很好的参考价值，希望对大家有所帮助。一起过来看看吧
数据很大形况下是凌乱的，并且含有空白的或者无法处理的字符，掩码式数组可以很好的忽略残缺的或者是无效的数据点。掩码式数组由一个正常数组与一个布尔式数组组成，若布尔数组中为Ture，则表示正常数组中对应下标的值无效，反之False表示对应正常数组的值有效。
创建方法为，首先创建一个布尔型数组，然后通过numpy.ma子程序包提供的函数来创建掩码式数组，掩码式数组提供了各种所需函数。
创建实例如下：
import numpy as np origin = np.arange(16).reshape(4,4) #生成一个4×4的矩阵 np.random.shuffle(origin) #随机打乱矩阵元素 random_mask = np.random.randint(0,2,size=origin.shape)#生成随机[0,2)的整数的4×4矩阵 mask_array = np.ma.array(origin,mask=random_mask)#生成掩码式矩阵 print(mask_array)
结果如下：
[[12 13 -- 15] [8 9 10 --] [-- -- -- 3] [-- 5 6 --]]
用于：
1.对负数取对数
import numpy as np triples = np.arange(0,10,3)#每隔3取0到10中的整数，（0，3，6，9） signs = np.ones(10)#（1，1，1，1，1，1，1，1，1） signs[triples] = -1#（-1，1，1，-1，1，1，-1，1，1，-1） values = signs * 77#（-77，77，77,-77，77，77,-77，77，77,-77） ma_log = np.ma.log(values)#掩码式取对数 print(ma_log)
结果为：
[-- 4.343805421853684 4.343805421853684 -- 4.343805421853684 4.343805421853684 -- 4.343805421853684 4.343805421853684 --]
2.忽略极值
import numpy as np inside = np.ma.masked_outside(array,min,max)
相关推荐：
numpy中实现ndarray数组返回符合特定条件的索引方法
