Python 掩模二维numpy阵列

我想在2D numpy数组上应用掩码。但它不能正常工作。如果我有

val(lat, lon)  ---> my 2D array (20, 30)


Mask_lat = np.ma.masked_array(lat, mask=latmask)  ---> masked lat (5,)


Mask_lon = np.ma.masked_array(lon, mask =lonmask)   ---> masked lon (8,)


Maks_val = np.ma.masked_array(val, mask=mask_lat_lon) ---> ?

我不知道如何通过正确的

mask\u lat\u lon

来屏蔽

val（5,8）

。如果有人能指引我，我将不胜感激

---

提前谢谢。

如果我正确理解了您的问题，您有两个1D数组，它们表示2D数组中的y和x（横向和纵向）位置。要基于二维阵列中的x/y位置遮罩区域

要理解的关键部分是二维阵列的遮罩也是二维的

例如，让我们屏蔽二维阵列的单个元素：

import numpy as np

z = np.arange(20).reshape(5, 4)
mask = np.zeros(z.shape, dtype=bool)

mask[3, 2] = True

print z
print np.ma.masked_array(z, mask)

这将产生：

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]
 [16 17 18 19]]

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 -- 15]
 [16 17 18 19]]

在本例中，需要使用两个1D x和y阵列创建二维遮罩。例如：

import numpy as np

x = np.linspace(-85, -78, 4)
y = np.linspace(32, 37, 5)
z = np.arange(20).reshape(5, 4)

xmask = (x > -82.6) & (x < -80)
ymask = (y > 33) & (y < 35.6)

print xmask
print ymask

使用

newaxis

（或

None

，它们是同一对象）进行切片时，会在该位置添加一个新轴，从而将1D阵列转换为2D阵列。如果您以前看到过这一点，那么快速查看一下

xmask[np.newaxis，：]

和

ymask[：，np.newaxis]

看起来像什么很有用：

In [14]: xmask
Out[14]: array([False, False,  True, False], dtype=bool)

In [15]: ymask
Out[15]: array([False,  True,  True, False, False], dtype=bool)

In [16]: xmask[np.newaxis, :]
Out[16]: array([[False, False,  True, False]], dtype=bool)

In [17]: ymask[:, np.newaxis]
Out[17]:
array([[False],
       [ True],
       [ True],
       [False],
       [False]], dtype=bool)

mask

将被屏蔽（请记住

True

元素被屏蔽）：

最后，我们可以基于此掩码从

z

创建二维掩码数组：

arr = np.masked_array(z, mask)

这给了我们最终的结果：

 [[ 0  1  2  3]
  [ 4  5 --  7]
  [ 8  9 -- 11]
  [12 13 14 15]
  [16 17 18 19]]

---

我的第一个想法是

lonmask&latmask

，但我不清楚什么是

masked lat（5，）

我真的不明白你在问什么。你能给出一个具体的例子来展示你的输入和你想要的输出吗？我该如何改变逻辑，以便在组合两个一维掩模来创建二维掩模时，我可以在任何一个一维掩模为真的地方进行掩模。我有一个非常相似的问题，除了我想掩盖所有经度的某些纬度和所有纬度的某些经度。我有一个用于纬度的1D掩码和一个用于经度的1D掩码。@Will.Evo，要通过两个1D掩码有效地剪裁2D数组，请如上所示创建

mask

，然后

clipped_z=z[mask]

。这将创建一个1D数组，然后可以使用

clipped_z.reforme（）

将其转换为2D。可以使用

np.sum（xmask）

和

np.sum（ymask）

获得适当的整形尺寸，它们计算

True

的数量。

arr = np.masked_array(z, mask)

 [[ 0  1  2  3]
  [ 4  5 --  7]
  [ 8  9 -- 11]
  [12 13 14 15]
  [16 17 18 19]]