Python 基于最小/最大值的Numpy动态数组切片

我有一个三维hape

（365，x，y

）数组，其中36对应于=每日数据。在某些情况下，沿时间轴

轴=0

的所有元素都是

np.nan

沿

轴=0的每个点的时间序列如下所示：

early_minimum_indexes = np.full_like(peak_indexes, fill_value=0)

for i in range(peak_indexes.shape[0]):
    for j in range(peak_indexes.shape[1]):
        if peak_indexes[i, j] == 0:
            early_minimum_indexes[i, j] = 0
        else:
            early_mask = np.ma.masked_array(a, np.isnan(a))
            early_loc = np.nanargmin(early_mask[:peak_indexes[i, j], i, j], axis=0)   
            early_minimum_indexes[i, j] = early_loc

peak_index = np.nanargmax(a1)
mask = np.zeros(a1.size, dtype=np.bool)
mask[peak:] = True
trough_plus = np.nanargmin(np.ma.array(a1, mask=~mask))
trough_minus = np.nanargmin(np.ma.array(a1, mask=mask))


我需要找到最大值（峰值数据）出现的索引，然后是峰值每一侧的两个最小值

import numpy as np

a = np.random.random(365, 3, 3) * 10
a[:, 0, 0] = np.nan

peak_mask = np.ma.masked_array(a, np.isnan(a))
peak_indexes = np.nanargmax(peak_mask, axis=0)

我可以使用以下方法找到峰值前的最小值：

early_minimum_indexes = np.full_like(peak_indexes, fill_value=0)

for i in range(peak_indexes.shape[0]):
    for j in range(peak_indexes.shape[1]):
        if peak_indexes[i, j] == 0:
            early_minimum_indexes[i, j] = 0
        else:
            early_mask = np.ma.masked_array(a, np.isnan(a))
            early_loc = np.nanargmin(early_mask[:peak_indexes[i, j], i, j], axis=0)   
            early_minimum_indexes[i, j] = early_loc

peak_index = np.nanargmax(a1)
mask = np.zeros(a1.size, dtype=np.bool)
mask[peak:] = True
trough_plus = np.nanargmin(np.ma.array(a1, mask=~mask))
trough_minus = np.nanargmin(np.ma.array(a1, mask=mask))

得出的峰值和谷值如下所示：

early_minimum_indexes = np.full_like(peak_indexes, fill_value=0)

for i in range(peak_indexes.shape[0]):
    for j in range(peak_indexes.shape[1]):
        if peak_indexes[i, j] == 0:
            early_minimum_indexes[i, j] = 0
        else:
            early_mask = np.ma.masked_array(a, np.isnan(a))
            early_loc = np.nanargmin(early_mask[:peak_indexes[i, j], i, j], axis=0)   
            early_minimum_indexes[i, j] = early_loc

peak_index = np.nanargmax(a1)
mask = np.zeros(a1.size, dtype=np.bool)
mask[peak:] = True
trough_plus = np.nanargmin(np.ma.array(a1, mask=~mask))
trough_minus = np.nanargmin(np.ma.array(a1, mask=mask))


对于大型阵列（1m+单元），这种方法在时间上是非常不合理的。使用numpy有更好的方法吗？
这里有一个方法

复制数据
保存所有nan位置并将所有nan替换为全局min-1
查找按行argmax
从整行中减去其值

请注意，现在每行只有非正值，最大值为零

将所有位置置零
将所有值的符号翻转到最大值的右侧

这是主要思想；它在之前存在右手最小值的位置创建一个新行全局最大值；同时，它确保左手边的min现在是row全局的

检索按行排列的argmin和argmax，这是原始数组中左分钟和右分钟的位置
查找所有nan行，并用INVALINT覆盖这些位置的最大和最小索引
代码：

虽然在这种情况下使用遮罩阵列可能不是最有效的解决方案，但它将允许您在特定轴上执行遮罩操作，同时或多或少保留形状，这是一种极大的方便。请记住，在许多情况下，屏蔽函数仍然会复制屏蔽数据

在您当前的代码中，您的想法基本正确，但是您错过了一些技巧，比如能够否定和组合掩码。另外，将掩码预先分配为布尔值更为有效，并且有一些小问题，如
np.full（…，0）->np.zeros（…，dtype=bool）

让我们把这个倒过来。假设您有一个性能良好的具有峰值的一维数组，比如说
a1
。您可以使用掩蔽来轻松找到最大值和最小值（或指数），如下所示：

early_minimum_indexes = np.full_like(peak_indexes, fill_value=0)

for i in range(peak_indexes.shape[0]):
    for j in range(peak_indexes.shape[1]):
        if peak_indexes[i, j] == 0:
            early_minimum_indexes[i, j] = 0
        else:
            early_mask = np.ma.masked_array(a, np.isnan(a))
            early_loc = np.nanargmin(early_mask[:peak_indexes[i, j], i, j], axis=0)   
            early_minimum_indexes[i, j] = early_loc

peak_index = np.nanargmax(a1)
mask = np.zeros(a1.size, dtype=np.bool)
mask[peak:] = True
trough_plus = np.nanargmin(np.ma.array(a1, mask=~mask))
trough_minus = np.nanargmin(np.ma.array(a1, mask=mask))

这尊重这样一个事实，即遮罩数组相对于普通numpy布尔索引翻转遮罩的意义。最大值出现在
槽加上的计算中也可以，因为它保证不是最小值（除非您有所有nan情况）

现在，如果
a1
已经是一个掩码数组（但仍然是1D），则可以执行相同的操作，但暂时合并掩码。例如：

a1 = np.ma.array(a1, mask=np.isnan(a1))
peak_index = a1.argmax()
mask = np.zeros(a1.size, dtype=np.bool)
mask[peak:] = True
trough_plus = np.ma.masked_array(a1, mask=a.mask | ~mask).argmin()
trough_minus  (np.ma.masked_array(a1, mask=a.mask | mask).argmin()

同样，由于蒙版数组具有反转的蒙版，因此使用
|
而不是
&
来组合蒙版非常重要，这与普通numpy布尔蒙版一样。在这种情况下，不需要调用
argmax
和
argmin
的nan版本，因为所有nan都已被屏蔽

鉴于numpy函数中
axis
关键字的普遍性，希望从这里可以清楚地概括到多个维度：

a = np.ma.array(a, mask=np.isnan(a))
peak_indices = a.argmax(axis=0).reshape(1, *a.shape[1:])
mask = np.arange(a.shape[0]).reshape(-1, *(1,) * (a.ndim - 1)) >= peak_indices

trough_plus = np.ma.masked_array(a, mask=~mask | a.mask).argmin(axis=0)
trough_minus = np.ma.masked_array(a, mask=mask | a.mask).argmin(axis=0)

N维掩蔽技术就是从这个目的而来的。
您可能需要掩蔽数组或np.nanargmax，而不是两者都需要。我会选择后者，因为前者在处理掩蔽的方式上不是很有效。物理学家在某些情况下，我有沿0轴的所有nan值。在没有掩码的情况下，np.nanargmax返回
ValueError:遇到的所有NaN切片
@vrlo。你能用-1或什么来代替NAN吗？看起来你的数据都是肯定的…我已经起草了90%的答案，但被卡住了，所以问了另一个问题：好问题。确实给了我一些思考的东西。我看到你找到了我的答案：）我不确定我是否遵循了第6步。紧靠峰值左侧的值可能是下一个全局最大值。给定OP的所有正数据，行最大值将找到该值，而行最小值将立即找到峰值右侧的翻转值。@物理学家记得在步骤4中，我们从每行中减去其最大值，因此，每一行在最大值所在的位置都将有一个零，而在我现在遵循的位置则只有一个非正值。谢谢很酷，谢谢。使用屏蔽阵列还允许我设置一些其他任意约束，我可以屏蔽阵列的其他部分，例如，如果我希望时间序列的峰值和第300天之间的最小值，而不是时间序列的峰值和最后一天之间的最小值