Question

我是一个新的python用户，我非常有兴趣深入了解NumPy模块的工作原理。我正在写一个能够使用掩码和非掩码数组作为数据输入的函数。我注意到有几个numpy masked operations与它的正常（未屏蔽）对应物看起来相似（甚至工作？）。其中一项功能是numpy.zeros和numpy.ma.zeros。其他人可以告诉我使用numpy.ma.zeros与numpy.zeros创建数组的优势吗？当你使用蒙面数组时，它会产生实际的差异吗？我注意到当我使用numpy.zeros_like时，它可以正常创建一个蒙版或未屏蔽的数组。

Answer 1

np.ma.zeros创建一个蒙版数组而不是普通数组，如果此数组的某些后续操作创建无效值，则该数组可能很有用。手册中的一个例子：

数组有时包含无效或缺失的数据。做的时候   对这种数组的操作，我们希望抑制无效值，其中   是蒙面数组实现的目的（典型用法的例子是   如下所示）。

例如，检查以下数组：
>>> x = np.array([2, 1, 3, np.nan, 5, 2, 3, np.nan])
当我们尝试计算数据的平均值时，结果是未确定的：
>>> np.mean(x) nan
平均值大致使用np.sum(x)/len(x)计算，但从那以后添加到NaN的任何数字都会生成NaN，但这不起作用。输入蒙面数组：
>>> m = np.ma.masked_array(x, np.isnan(x))
>>> m
masked_array(data = [2.0 1.0 3.0 -- 5.0 2.0 3.0 --],
      mask = [False False False  True False False False  True],
      fill_value=1e+20)
在这里，我们构造一个屏蔽数组来抑制所有NaN值。我们现在可以继续计算其他值的平均值：
>>> np.mean(m)
2.6666666666666665

Answer 2

作为初学者，不要陷入蒙面阵列的困境。它是SHA-256的子类，在处理具有一些错误值的数据时非常有用，在计算平均值时，您希望忽略这些值。但是否则你应该专注于使用基本numpy类创建和索引（和计算）。

np.ndarray数组不仅是一个子类，还包含2个常规数组。一个人有数据，包括任何＆＃39;坏＆＃39;值。这是一个常规的numpy数组。另一个是布尔数组，即掩码。被屏蔽类的开发人员试图使其行为与常规数组的行为相同，但是使用了这个添加的屏蔽。掩码数组的大多数（如果不是全部）增加的功能都是用Python代码实现的。

很难理解ma的底层C代码，但是查看Python中实现的函数和方法是有益的。我经常在numpy会话中查看它们，但也可以在numpy github存储库中进行研究。

Numpy蒙面操作

2 个答案: