Python 删除numpy数组的值，同时保留维度

我有一个

numpy

数组，如下所示：

a = np.array([[1, 2, 3, -999.],
              [2, 3, 4, -999.],
              [3, 4, 5, 6]])

如何在保留尺寸的同时删除值

-999.

，例如：

array([[   1.,    2.,    3.],
       [   2.,    3.,    4.],
       [   3.,    4.,    5.,    6.]])

我试过：

np.delete(a, np.where(a == -999.))

但这导致了

array([   3.,    2.,    3.,    4., -999.,    3.,    4.,    5.,    6.])

我试过了

a[a == -999.] = np.nan
a[~np.isnan(a)]

当它删除

nan

（以及

-999

）时，

numpy

数组变为

1D

：

array([1., 2., 3., 2., 3., 4., 3., 4., 5., 6.])

编辑

我使用生成的锯齿数组（列表列表）对另一个数组进行切片，其中每个切片可以具有不同的长度

我的用例：

a = np.random.randint(1,35,size=(100000,5))
a[a == 14] = -999 # set a missing value

选项1，选择值非相等填充值

%%timeit
slices = np.array([i[i != -999] for i in a])

10 loops, best of 3: 183 ms per loop

选项2，遮罩和压缩

%%timeit
a_ma = np.ma.masked_equal(a, -999)
slices = np.array([i.compressed() for i in a_ma])

1 loop, best of 3: 2.99 s per loop

---

虽然锯齿状数组不是您真正应该使用的东西，但您可以使用列表执行以下操作：

In [33]: a = np.array([i[i != -999.] for i in a])

In [34]: a
Out[34]:
array([array([ 1.,  2.,  3.]), array([ 2.,  3.,  4.]),
       array([ 3.,  4.,  5.,  6.])], dtype=object)

In [35]: a[0].shape
Out[35]: (3,)

In [36]: a[1].shape
Out[36]: (3,)

In [37]: a[2].shape
Out[37]: (4,)

---

您试图保持哪些维度

a.shape

是

（3,4）

。你怎么能 从

a

中删除2项，但仍有3x4数组（3*4=12）

所需的显示不是（3,4）阵列：

由于行的长度不同，它会创建一个对象数据类型数组，每行一个元素。这基本上是一个列表列表

出于某些目的，制作一个

面具很方便：

In [637]: np.ma.masked_equal(a, -999)
Out[637]: 
masked_array(
  data=[[1.0, 2.0, 3.0, --],
        [2.0, 3.0, 4.0, --],
        [3.0, 4.0, 5.0, 6.0]],
  mask=[[False, False, False,  True],
        [False, False, False,  True],
        [False, False, False, False]],
  fill_value=-999.0)

我知道您以前使用过
MaskedArrays
：
NumPy实际上不支持锯齿数组。正如miradulo所指出的，NumPy不支持锯齿数组。（好吧，你可以创建一个对象数组，但这可能无法解决本例中的问题。结果不会像二维数组一样。）你将如何处理结果？了解您计算的最终目标将有助于指导此处给出的答案。@WarrenWeckesser感谢您的回答。我已经创建了一个ipynb，我的最终目标是：谢谢你的回答，我很想使用
MaskedArray
，但我接下来的步骤是使用锯齿阵列来切片另一个阵列，我不能使用
MaskedArray
。也许这才是我真正的问题。我在笔记本中的最终目标是：
In [637]: np.ma.masked_equal(a, -999)
Out[637]: 
masked_array(
  data=[[1.0, 2.0, 3.0, --],
        [2.0, 3.0, 4.0, --],
        [3.0, 4.0, 5.0, 6.0]],
  mask=[[False, False, False,  True],
        [False, False, False,  True],
        [False, False, False, False]],
  fill_value=-999.0)