屏蔽 Numpy 数组并在不使用 for 循环的情况下对每个掩码应用计算

Question

假设我们有以下数据数组：data_array = np.array([[1, 1, 1], [1, 1, 2], [2, 2, 2], [3, 3, 3], [4, 4, 4]], np.int16)data_arrayarray([[1, 1, 1],       [1, 1, 2],       [2, 2, 2],       [3, 3, 3],       [4, 4, 4]])我们希望根据以下范围屏蔽数组，以便能够对屏蔽部分应用计算：intervals = [[1, 2], [2, 3], [3, 4]]我们首先基于数据数组创建一个空数组和掩码，以便我们可以组合每个掩码数组的结果：init = np.zeros((data_array.shape[0], data_array.shape[1]))result_array = np.ma.masked_where((init == 0), init)result_arraymasked_array(data=[[--, --, --],      [--, --, --],      [--, --, --],      [--, --, --],      [--, --, --]],mask=[[ True,  True,  True],      [ True,  True,  True],      [ True,  True,  True],      [ True,  True,  True],      [ True,  True,  True]]有了这个，我们可以启动一个 for 循环，根据区间范围屏蔽数组，对屏蔽数组执行计算并将结果组合到单个结果数组中：for inter in intervals:    # Extact the start and en values for interval range    start_inter = inter[0]    end_inter = inter[1]    # Mask the array based on interval range    mask_init = np.ma.masked_where((data_array > end_inter), data_array)    masked_array = np.ma.masked_where((mask_init < start_inter), mask_init)    # Perform a dummy calculation on masked array    outcome = (masked_array + end_inter) * 100    # Combine the outcome arrays    result_array[result_array.mask] = outcome[result_array.mask]结果如下：array([[300.0, 300.0, 300.0],      [300.0, 300.0, 400.0],      [400.0, 400.0, 400.0],      [600.0, 600.0, 600.0],      [800.0, 800.0, 800.0]])我的问题是，如何在不使用 for 循环的情况下实现相同的结果？因此，在单个操作中对整个 data_array 应用屏蔽和计算。请注意，计算的变量随每个掩码而变化。是否可以对这个问题应用矢量化方法？我想numpy_indexed可能会有所帮助。谢谢你。

Answer 1

如果可以使间隔不重叠，那么您可以使用这样的函数：

import numpy as np

def func(data_array, intervals):

    data_array = np.asarray(data_array)

    start, end = np.asarray(intervals).T

    data_array_exp = data_array[..., np.newaxis]

    mask = (data_array_exp >= start) & (data_array_exp <= end)

    return np.sum((data_array_exp + end) * mask * 100, axis=-1)

在这种情况下，结果应该与原始代码相同：

import numpy as np

def func_orig(data_array, intervals):

    init = np.zeros((data_array.shape[0], data_array.shape[1]))

    result_array = np.ma.masked_where((init == 0), init)

    for inter in intervals:

        start_inter = inter[0]

        end_inter = inter[1]

        mask_init = np.ma.masked_where((data_array > end_inter), data_array)

        masked_array = np.ma.masked_where((mask_init < start_inter), mask_init)

        outcome = (masked_array + end_inter) * 100

        result_array[result_array.mask] = outcome[result_array.mask]

    return result_array.data

data_array = np.array([[1, 1, 1], [1, 1, 2], [2, 2, 2], [3, 3, 3], [4, 4, 4]], np.int16)

intervals = [[1, 1.9], [2, 2.9], [3, 4]]

print(np.allclose(func(data_array, intervals), func_orig(data_array, intervals)))

# True