Numpy中使用Mask进行条件筛选与数据替换详解

何川

发布时间：2026-10-13| 6人浏览过

原创

本文介绍如何在Numpy中利用Mask进行高效的数据子集选取与条件替换。通过创建布尔类型的索引矩阵，可以灵活筛选KNN邻居点及剩余数据，并结合np.where实现批量数值替换，提升数据处理效率。

在Numpy中，若需从矩阵中提取特定子集或依据条件筛选数据，使用Mask（掩码）是一种高效且推荐的方法。

其核心原理是利用布尔类型（bool）的索引矩阵进行数据选择。

mask = np.ones(X.shape[0], dtype=bool)
X[mask].shape
mask.shape
mask[indices[0]] = False
mask.shape
X[mask].shape
X[~mask].shape
(678, 2)
(678,)
(678,)
(675, 2)
(3, 2)

例如，在处理全部数据点时，可通过Mask区分出KNN算法选取的邻居点以及其余未选中的点。

from sklearn.neighbors import NearestNeighbors
nbrs = NearestNeighbors(10).fit(X)
_,indices = nbrs.kneighbors(X)
mask = np.ones(X.shape[0], dtype=bool)
mask[indices[0]] = False
plt.scatter(X[mask][:,0],X[mask][:,1],c='g')
plt.scatter(X[~mask][:,0],X[~mask][:,1],c='r')

此外，Mask也可用于带条件的数值替换。假设需将矩阵a中满足特定条件的行替换为888，其余行替换为999，可直接利用Mask操作，或结合np.where函数一步完成：

mask = np.ones(a.shape,dtype=bool) #np.ones_like(a,dtype=bool)
mask[indices] = False
a[~mask] = 999
a[mask] = 888
#############
np.where(mask, 888, 999)

以上内容涵盖了Numpy中Mask的主要应用场景，希望能为读者提供实用参考，欢迎继续支持本站获取更多技术分享。