Python 更改掩码np数组中的值

我有一个np数组：

arr = np.array(
[[1,2,3,4,5,6],
[11,12,13,14,15,16],
[21,22,23,24,25,26],
[31,32,33,34,35,36],
[41,42,43,44,45,46]])

以及从

arr

mask = np.array([False,True,True,True,True])

# Because we're using a slice, a view will be created instead of a copy
tmp_view = arr[1:]

# Modifying the view will modify the original array as well
tmp_view[0, 0] = 999

# The view can be deleted, but the original has still been modified
del tmp_view

我试图通过给屏蔽数组提供相对索引来更改原始数组中的值：

arr[mask1][0,0] = 999

预期产出：

[[  1   2   3   4   5   6]
 [999  12  13  14  15  16]
 [ 21  22  23  24  25  26]
 [ 31  32  33  34  35  36]
 [ 41  42  43  44  45  46]]

然而，问题是

arr

保持不变。有什么解决建议吗？

发生了什么：花式索引与常规索引 这是因为使用布尔数组或索引序列是“奇特的”索引。（“Fancy”是任何不能用切片表示的东西。）它实际上不是一个完全用numpy术语（np.ma.masked_array）表示的单独的“蒙面数组”

花式索引可以复制。常规索引（即切片）生成视图。视图共享数据，副本不共享数据

让我们分解表达式

arr[mask1][0,0]=999

因为

mask1

是一个布尔数组，

arr[mask1]

将返回数据的副本。下一部分将修改该副本，而不是原始数组。换言之：

# tmp_copy is a copy, not a view, in this case
tmp_copy = arr[mask1]

# tmp_copy is modified, but `arr` is not
tmp_copy[0, 0] = 999 

# Because `tmp_copy` is an intermediate, it will be garbage collected.
# The assignment to 999 effectively disappears
del temp_copy

让我们将其与一个类似的（在这种情况下）切片表达式进行对比：

arr[1:[0,0]=999

（这将修改原始的

arr

）

---

我怎样才能解决这个问题？ 一般来说，你应该避免陷入这种情况。你想要完成的事情通常可以用另一种方式重新塑造

然而，如果您确实需要，您可以通过将虚构的索引转换为您想要修改的特定索引来实现

例如：

import numpy as np

# Your data...
arr = np.array([[1,2,3,4,5,6],
                [11,12,13,14,15,16],
                [21,22,23,24,25,26],
                [31,32,33,34,35,36],
                [41,42,43,44,45,46]])
mask = np.array([False,True,True,True,True])

# Make a temporary array of the "flat" indices of arr
idx = np.arange(arr.size).reshape(arr.shape)

# Now use this to make your assignment:
arr.flat[idx[mask][0, 0]] = 999

在您的具体情况下，这是一种过度杀伤力（即，您可以对

arr[1:[0,0]=999

）执行同样的操作。还有很多其他情况可以简化。然而，为了得到一个完全通用的解决方案，我们需要类似于上面例子的东西

解释解决方法 让我们来分析一下这个例子的作用。首先，我们创建一个与数组形状相同的“平坦”索引数组。（旁注，有关更多信息，请参见

np.unlavel_index

）。在这种情况下：

In [37]: idx
Out[37]:
array([[ 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]])

现在我们可以提取花式索引将提取的索引：

In [38]: idx[mask]
Out[38]:
array([[ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23],
       [24, 25, 26, 27, 28, 29]])

然后是下一个切片

[0,0]

：

In [39]: idx[mask][0,0]
Out[39]: 6

现在，我们有了一个单一的“平坦”索引回到原始数组中。我们可以使用

np将其转换为完整索引。解列索引

：

In [40]: np.unravel_index(6, arr.shape)
Out[40]: (1, 0)

…但是直接使用

arr.flat

更容易：

In [41]: arr.flat[6] = 999

In [42]: arr
Out[42]:
array([[  1,   2,   3,   4,   5,   6],
       [999,  12,  13,  14,  15,  16],
       [ 21,  22,  23,  24,  25,  26],
       [ 31,  32,  33,  34,  35,  36],
       [ 41,  42,  43,  44,  45,  46]])