Python np.1D vs掩模的性能和可靠性

我使用numpy来处理一个时间序列，该时间序列有许多坏值=-9999.0。例如：

VAL=[3,352.，-32.0e-3，-9999.0,35.，-9999.0]

我有许多不同的条件，这些值必须满足才能在我的条件下被接受。一个这样的削减可能是所有我的价值必须大于30。将此>30条件与坏值条件相结合的最合适方法是什么

我可以看到两种可能性：

1） 使用遮罩：

g_vals_mask = (vals > 30.)
bv_mask = (vals > bad_val)
mask = bv_mask*g_vals_mask

idxs = np.where(mask)[0]

cut_vals=vals[idxs]

2） intersect idx列表：

g_idxs=np.where(vals>30.)
bv_idx=np.where(vals>-9999.0)

idxs=np.intersect1d(g_idx, bv_idx)

cut_vals=vals[idxs]

我结合许多不同类型的VAL进行重复计算，每种VAL都有不同的坏值。这是一种比另一种更好的做法吗？一个更有效还是更健壮

---

谢谢 假设数据是一维的，可以直接在值切片中使用遮罩：

import numpy as np
cut_vals=vals[np.logical_and(vals > 30, vals > bad_val)]

与您提出的方法相比，性能似乎有了一点改进。“相交”比“遮罩”方法慢一个数量级

# Average timing
# Masks:
# 0.309858489037
# Masks2:
# 0.351503372192
# Intersect:
# 2.1616836071

import numpy as np
import timeit as it
vals = np.random.rand(1000)

def masks2():
    return vals[np.logical_and(vals > 0.7, vals > 0.1)]

# 1) using masks:
def masks():
    g_vals_mask = (vals > 0.7)
    bv_mask = (vals > 0.1)
    mask = bv_mask*g_vals_mask

    idxs = np.where(mask)[0]

    return vals[idxs]

# 2) intersect idx lists:
def intersect():
    g_idx=np.where(vals>0.7)
    bv_idx=np.where(vals>0.1)

    idxs=np.intersect1d(g_idx, bv_idx)

    return vals[idxs]

if __name__ == '__main__':

    reps = 10
    number_iter = 10000
    print 'Masks:'
    print np.average(
        np.array(it.repeat("masks()", setup="from __main__ import masks", repeat = reps, number = number_iter))
    )
    print 'Masks2:'
    print np.average(
        np.array(it.repeat("masks2()", setup="from __main__ import masks2", repeat = reps, number = number_iter))
    )
    print 'Intersect:'
    print np.average(
        np.array(it.repeat("intersect()", setup="from __main__ import intersect", repeat = reps, number = number_iter))
    )

---

你为什么需要两个面具？既然

30>-9999.0

，VAL>30是否足够？