屏蔽数组中的特定值答案

【问题标题】：Mask out specific values from an array屏蔽数组中的特定值
【发布时间】：2016-12-25 05:38:48
【问题描述】：

例子：

我有一个数组：

array([[1, 2, 0, 3, 4],
       [0, 4, 2, 1, 3],
       [4, 3, 2, 0, 1],
       [4, 2, 3, 0, 1],
       [1, 0, 2, 3, 4],
       [4, 3, 2, 0, 1]], dtype=int64)

我有一组“坏”值（长度可变，顺序无关紧要）：

{2, 3}

我想返回隐藏这些值的掩码：

array([[False,  True, False,  True, False],
       [False, False,  True, False,  True],
       [False,  True,  True, False, False],
       [False,  True,  True, False, False],
       [False, False,  True,  True, False],
       [False,  True,  True, False, False]], dtype=bool)

在 NumPy 中最简单的方法是什么？

【问题讨论】：

标签： python arrays numpy membership

【解决方案1】：

使用np.in1d 为我们提供此类匹配事件的展平掩码，然后重新整形为所需输出的输入数组形状，就像这样 -

np.in1d(a,[2,3]).reshape(a.shape)

请注意，我们需要将要搜索的数字作为列表或数组输入。

示例运行 -

In [5]: a
Out[5]: 
array([[1, 2, 0, 3, 4],
       [0, 4, 2, 1, 3],
       [4, 3, 2, 0, 1],
       [4, 2, 3, 0, 1],
       [1, 0, 2, 3, 4],
       [4, 3, 2, 0, 1]])

In [6]: np.in1d(a,[2,3]).reshape(a.shape)
Out[6]: 
array([[False,  True, False,  True, False],
       [False, False,  True, False,  True],
       [False,  True,  True, False, False],
       [False,  True,  True, False, False],
       [False, False,  True,  True, False],
       [False,  True,  True, False, False]], dtype=bool)

2018 版：`numpy.isin`

使用 NumPy 内置的 np.isin（在 1.13.0 中引入）保持形状，因此不需要我们之后重新整形 -

In [153]: np.isin(a,[2,3])
Out[153]: 
array([[False,  True, False,  True, False],
       [False, False,  True, False,  True],
       [False,  True,  True, False, False],
       [False,  True,  True, False, False],
       [False, False,  True,  True, False],
       [False,  True,  True, False, False]])

【讨论】：

【解决方案2】：

In [965]: np.any([x==i for i in (2,3)],axis=0)
Out[965]: 
array([[False,  True, False,  True, False],
       [False, False,  True, False,  True],
       [False,  True,  True, False, False],
       [False,  True,  True, False, False],
       [False, False,  True,  True, False],
       [False,  True,  True, False, False]], dtype=bool)

这确实会迭代，但如果(2,3) 集很小（相对于x 的大小），则相对较快。事实上对于小arr2、np.in1d 是这样做的：

        mask = np.zeros(len(ar1), dtype=np.bool)
        for a in ar2:
            mask |= (ar1 == a)

由此创建一个掩码数组：

In [970]: np.ma.MaskedArray(x,mask)
Out[970]: 
masked_array(data =
 [[1 -- 0 -- 4]
 [0 4 -- 1 --]
 [4 -- -- 0 1]
 [4 -- -- 0 1]
 [1 0 -- -- 4]
 [4 -- -- 0 1]],
             mask =
 [[False  True False  True False]
 [False False  True False  True]
 [False  True  True False False]
 [False  True  True False False]
 [False False  True  True False]
 [False  True  True False False]],
       fill_value = 999999)

【讨论】：

[x==i for i in (2,3)] 将占用N 倍于最终输出的内存，N 是搜索数组中元素的数量。提问者发布示例，这不一定是他们处理那些确切的小输入，特别是在他们寻找性能时。
in1d 的循环等效项节省了更大的内存使用。速度应该是一样的。但我们必须进行测试。它可能不是所有情况的最佳解决方案，但我认为这是一个很好的基本解决方案。
是的，np.in1d 会有函数包装器开销，但我认为大部分性能相当。

【解决方案3】：

可能有比这更简单的方法。但这可能是一种方式：

import numpy as np

a = np.array([[1, 2, 0, 3, 4],
       [0, 4, 2, 1, 3],
       [4, 3, 2, 0, 1],
       [4, 2, 3, 0, 1],
       [1, 0, 2, 3, 4],
       [4, 3, 2, 0, 1]], dtype=np.int64)

f = np.vectorize(lambda x: x in {2,3})
print f(a)

输出：

[[False  True False  True False]
 [False False  True False  True]
 [False  True  True False False]
 [False  True  True False False]
 [False False  True  True False]
 [False  True  True False False]]

【讨论】：

vectorize 只是一个 for 循环，不是吗？

2018 版：numpy.isin

2018 版：`numpy.isin`