Usted podría simplemente crear una máscara de vacío y luego usar numpy de radiodifusión (como @eumiro mostró) pero usando el operador "o" de elementos y de bit |
:
>>> a = np.array([[1, 5, 6], [2, 4, 1], [3, 1, 5]])
>>> mask = np.zeros(a.shape, bool) | (a[:, 0] == 1)[:, None]
>>> np.ma.array(a, mask=mask)
masked_array(data =
[[-- -- --]
[2 4 1]
[3 1 5]],
mask =
[[ True True True]
[False False False]
[False False False]],
fill_value = 999999)
Un poco más explicaciones:
>>> # select first column
>>> a[:, 0]
array([1, 2, 3])
>>> # where the first column is 1
>>> a[:, 0] == 1
array([ True, False, False], dtype=bool)
>>> # added dimension so that it correctly broadcasts to the empty mask
>>> (a[:, 0] == 1)[:, None]
array([[ True],
[False],
[False]], dtype=bool)
>>> # create the final mask
>>> np.zeros(a.shape, bool) | (a[:, 0] == 1)[:, None]
array([[ True, True, True],
[False, False, False],
[False, False, False]], dtype=bool)
Otra ventaja de este enfoque es que no necesita usar multiplicaciones potencialmente costosos o np.repeat
lo que debe ser bastante rápido.
Gracias por la respuesta Sven! Soy nuevo en numpy y no estaba al tanto del método de repetición. Lo buscaré – Curious2learn