如何用NumPy实现矩阵按条件筛选及关联矩阵同索引元素删除

以下方案默认你提到的所有矩阵维度完全一致，和示例相同为形状(1, N, 1)的三维结构，核心逻辑可适配任意维度的同形状矩阵。

问题1：校验并找出WS中低于9的数值 #

直接用NumPy布尔索引即可快速定位目标数值，同时可以生成全局复用的过滤掩码：

import numpy as np

# 构造示例WS矩阵
WS = np.array([[[9.7764691], [9.76139563], [8.93841915], [8.77505072]]])

# 提取所有小于9的数值
values_below_9 = WS[WS < 9]
print(values_below_9)
# 输出：[8.93841915 8.77505072]

# 生成全局过滤掩码：符合保留条件（≥9）的位置为True，需删除的位置为False
filter_mask = WS >= 9

后续所有矩阵的同步过滤都可以复用这个filter_mask，无需重复计算条件。

问题2：从WS中删除不符合要求的数值 #

用生成的掩码过滤WS后，按需调整结构即可：

# 过滤后保留原三维结构(1, 有效元素数, 1)
WS_filtered = WS[filter_mask].reshape(1, -1, 1)
print(WS_filtered)
# 输出：
# [[[9.7764691 ]
#   [9.76139563]]]

# 如果不需要保留原三维结构，直接取过滤后的一维数组即可
# WS_filtered = WS[filter_mask]

问题3：关联矩阵同步删除同索引元素 #

直接复用同一个过滤掩码即可保证索引位置完全对应：

# 构造示例关联矩阵
related_mat = np.array([[[0.095], [0.085], [0.08], [0.075]]])

# 同步过滤，保留原三维结构
related_mat_filtered = related_mat[filter_mask].reshape(1, -1, 1)
print(related_mat_filtered)
# 输出：
# [[[0.095]
#   [0.085]]]

如果有多个关联矩阵，只要维度和WS一致，都可以用这个逻辑批量处理。

内容的提问来源于stack exchange，提问作者sadra sadeghi nejad