从 2D Numpy 数组中删除特定索引

Question

如果我有一组形状为 (1000,1000) 的数据并且我知道我需要从中获取的值包含在索引 (25:888,11:957) 中，我将如何将两个部分分开彼此的数据？

我不知道如何让 np.delete() 喜欢特定的 2D 情况，而且我还需要好的和坏的数据部分进行分析，所以我不能只指定我的数组边界在良好的指数。

我觉得这里缺少一个简单的解决方案。

Answer 1

这是您要划分数组的方式吗？In [364]: arr = np.ones((1000,1000),int)                                        In [365]: beta = arr[25:888, 11:957]                                            In [366]: beta.shape                                                            Out[366]: (863, 946)In [367]: arr[:25,:].shape                                                      Out[367]: (25, 1000)In [368]: arr[888:,:].shape                                                     Out[368]: (112, 1000)In [369]: arr[25:888,:11].shape                                                 Out[369]: (863, 11)In [370]: arr[25:888,957:].shape                                                Out[370]: (863, 43)我正在成像一个正方形，中间切出一个矩形。指定该矩形很容易，但必须将框架视为 4 个矩形 - 除非它是通过缺少的掩码来描述的。检查我是否得到了一切：In [376]: x = np.array([_366,_367,_368,_369,_370])                              In [377]: np.multiply.reduce(x, axis=1).sum()                                   Out[377]: 1000000

Answer 2

假设您的原始 numpy 数组是 my_arr提取“好”部分：这很容易，因为好的部分是矩形的。good_arr = my_arr[25:888, 11:957]提取“坏”部分：“坏”部分没有矩形形状。相反，它具有矩形的形状，从中切出一个矩形孔。因此，您不能真正将“坏”部分单独存储在任何类似数组的结构中，除非您愿意浪费一些额外的空间来处理切出的部分。您对“坏”部分有哪些选择？选项 1： 对提取好的部分感到高兴和满足。让坏的部分保留为原始的一部分my_arr。在迭代 trough 时my_arr，您始终可以根据索引区分好项目和坏项目。缺点是，当你只想处理坏项时，你必须通过嵌套的双循环来完成，而不是使用 numpy 的一些矢量化功能。选项 2： 假设我们只想对 的坏项执行一些操作，例如按行总计或按列总计my_arr，并且假设您不想要嵌套 for 循环的开销。你可以创建一个叫做 numpy 掩码数组的东西。使用屏蔽数组，您可以执行大多数常用的 numpy 操作，并且 numpy 会自动从计算中排除被屏蔽的项目。请注意，在内部，将涉及一些内存浪费，只是为了将项目存储为“屏蔽”下面的代码说明了如何创建一个masked_arr从原始数组调用的掩码数组my_arr：import numpy as npmy_size = 10       # In your case, 1000r_1, r_2 = 2, 8    # In your case, r_1 = 25, r_2 = 889 (which is 888+1)c_1, c_2 = 3, 5    # In your case, c_1 = 11, c_2 = 958 (which is 957+1)# Using nested list comprehension, build a boolean mask as a list of lists, of shape (my_size, my_size).# The mask will have False everywhere, except in the sub-region [r_1:r_2, c_1:c_2], which will have True.mask_list = [[True if ((r in range(r_1, r_2)) and (c in range(c_1, c_2))) else False                     for c in range(my_size)] for r in range(my_size)]# Your original, complete 2d array. Let's just fill it with some "toy data"my_arr = np.arange((my_size * my_size)).reshape(my_size, my_size)print (my_arr)masked_arr = np.ma.masked_where(mask_list, my_arr)print ("masked_arr is:\n", masked_arr, ", and its shape is:", masked_arr.shape)上面的输出是：[[ 0  1  2  3  4  5  6  7  8  9] [10 11 12 13 14 15 16 17 18 19] [20 21 22 23 24 25 26 27 28 29] [30 31 32 33 34 35 36 37 38 39] [40 41 42 43 44 45 46 47 48 49] [50 51 52 53 54 55 56 57 58 59] [60 61 62 63 64 65 66 67 68 69] [70 71 72 73 74 75 76 77 78 79] [80 81 82 83 84 85 86 87 88 89] [90 91 92 93 94 95 96 97 98 99]]masked_arr is: [[0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19] [20 21 22 -- -- 25 26 27 28 29] [30 31 32 -- -- 35 36 37 38 39] [40 41 42 -- -- 45 46 47 48 49] [50 51 52 -- -- 55 56 57 58 59] [60 61 62 -- -- 65 66 67 68 69] [70 71 72 -- -- 75 76 77 78 79] [80 81 82 83 84 85 86 87 88 89] [90 91 92 93 94 95 96 97 98 99]] , and its shape is: (10, 10)现在你有了一个掩码数组，你将能够对其执行大部分 numpy 操作，并且 numpy 将自动排除掩码项（--打印掩码数组时显示为“ ”的项）您可以使用掩码数组执行的操作的一些示例：# Now, you can print column-wise totals, of only the bad items.print (masked_arr.sum(axis=0))# Or row-wise totals, for that matter.print (masked_arr.sum(axis=1))上面的输出是：[450 460 470 192 196 500 510 520 530 540][45 145 198 278 358 438 518 598 845 945]