如何从较大numpy.ndarray中移除其随机采样生成的小子数组元素

核心逻辑：NumPy原生不支持ndarray直接调用remove/delete做批量按值移除，通过布尔掩码过滤的向量化方案可以高效实现需求，分两类常见场景处理：

• 注意：所有方案均为向量化实现，避免Python层循环，大数据量下性能远高于逐元素遍历删除

场景1：一维无重复值数组 #

如果你的数组是一维，且采样时不存在重复抽取同值的情况，直接用np.isin生成反选掩码即可：

import numpy as np

# 测试数据：原大数组、随机采样子集
big_array = np.array([2,5,7,1,8,4,9,3,6])
sample_subset = np.array([5,1,9])

# 生成过滤掩码：保留所有不在采样子集中的元素
filter_mask = ~np.isin(big_array, sample_subset)
res = big_array[filter_mask]

print(res)  # 输出 [2 7 8 4 3 6]

该方法的局限：如果原数组存在和子集取值相同但未被采样到的元素，会被一并误删，仅适合值唯一的采样场景。

场景2：多维数组/存在重复值需精准匹配 #

如果是多维数组（比如坐标点、特征矩阵），或者一维数组存在重复值、需要精准删除你实际采样到的对应条目（而非所有同值元素），通过数组视图转换实现整行/整元素匹配：

import numpy as np

# 测试数据：shape为(7,2)的二维点集原数组，存在重复点[2,3]
big_array = np.array([[1,2], [2,3], [4,5], [6,7], [8,9], [2,3], [10,11]])
# 随机采样子集，包含1个重复点[2,3]，仅需删除采样到的这1个，保留剩下的同值点
sample_subset = np.array([[4,5], [8,9], [2,3]])

# 将数组转换为单void类型视图，实现整行元素的直接比较
void_dt = np.dtype((np.void, big_array.dtype.itemsize * big_array.shape[-1]))
big_view = big_array.view(void_dt).squeeze()
sample_view = sample_subset.view(void_dt).squeeze()

# 匹配采样元素对应索引，仅删除和采样数量一致的匹配条目，避免误删重复值
match_indices = np.where(np.isin(big_view, sample_view))[0][:len(sample_view)]
filter_mask = np.ones(len(big_array), dtype=bool)
filter_mask[match_indices] = False
res = big_array[filter_mask]

print(res)
# 输出 [[ 1  2] [ 2  3] [ 6  7] [10 11]]  # 未被采样的重复点[2,3]正常保留

内容的提问来源于stack exchange，提问作者Nmala