如何将下采样得到的numpy掩码填充回原始长度以筛选原始数组数据

实现方案 #

你可以直接用NumPy内置的repeat方法实现掩码的高效扩展，全程为向量化操作，没有Python层循环，性能极高，适配任意步长场景。

核心逻辑为：将掩码的每个布尔值重复步长次，再截断到和原始数组相同的长度即可。

示例验证（适配你给出的测试用例） #

import numpy as np

a = np.arange(0, 10)
step = 3
b = a[::step]
mask = (b > 5)

# 核心填充逻辑
mask_padded = np.repeat(mask, step)[:len(a)]

c = a[mask_padded]
print(c)
# 输出结果：[6 7 8 9]，完全符合预期

适配你最初的步长为10的场景 #

注意你最初的掩码是通过np.diff计算得到的，此时mask的长度比下采样后的数组b少1，你可以根据业务需要补一个布尔值后再做扩展，示例如下：

import numpy as np

step = 10
# 你的原有逻辑
b = a[::10]
derivative = np.diff(b, axis=0)
mask = (np.linalg.norm(derivative[:, :], axis=1) > 0.01)

# 补位使mask长度和b一致，这里以复用最后一个掩码值为例，可按需改为True/False
mask = np.append(mask, mask[-1])
# 扩展为原始数组长度的掩码
mask_padded = np.repeat(mask, step)[:len(a)]

# 筛选原始数组
c = a[mask_padded, :]

内容的提问来源于stack exchange，提问作者Andreas Schuldei