如何应用多匹配条件的numpy掩码筛选二维数组并校验对应值

import numpy as np

# 示例数据
data1 = np.arange(50).reshape(10,5)
data2 = np.random.rand(10,5)
x = 5*np.arange(5)+15
y = 2*np.arange(10)

# 给定参数
XRange = [27, 38]
YRange = [2, 12]
D1min = 23
D2Max = 0.8

# 生成各条件掩码
# 1. x落在指定区间的掩码
x_mask = (x >= XRange[0]) & (x <= XRange[1])
# 2. y落在指定区间的掩码
y_mask = (y >= YRange[0]) & (y <= YRange[1])
# 3. data1值大于阈值的掩码
d1_mask = data1 > D1min

# 组合所有掩码（&表示同时满足，调整维度适配二维数组）
total_mask = d1_mask & x_mask[np.newaxis, :] & y_mask[:, np.newaxis]

# 筛选符合条件的data2值
selected_d2 = data2[total_mask]

# 校验是否存在data2值小于D2Max的情况
has_low_d2 = np.any(selected_d2 < D2Max)

# 可选：其他统计需求
# 符合条件的点数量
count = np.sum(total_mask)
# 符合条件的data1值
selected_d1 = data1[total_mask]
# 符合条件的点的行列索引
row_idx, col_idx = np.where(total_mask)
# 对应坐标值
selected_x = x[col_idx]
selected_y = y[row_idx]

逻辑说明 #

• 掩码生成：每个独立条件生成对应布尔数组，numpy比较运算符会自动对数组逐元素计算，返回和输入同形状的布尔数组，True代表该位置满足条件
• 维度适配：一维的x/y掩码需要通过np.newaxis扩展维度，才能和二维data数组匹配广播：
  • x长度等于data列数时，扩展为(1, 列数)形状，自动沿行方向复制，匹配所有行的列判断
  • y长度等于data行数时，扩展为(行数, 1)形状，自动沿列方向复制，匹配所有列的行判断
• 掩码组合：用&（与）、|（或）、~（非）即可组合多个条件，注意每个独立条件必须用括号包裹，避免运算符优先级问题
• 结果校验：np.any()可以快速判断数组中是否存在至少一个满足条件的元素，如需校验全部符合可替换为np.all()

小提示：如果你的数组x对应行维度、y对应列维度，只需调整维度扩展方式为x_mask[:, np.newaxis]和y_mask[np.newaxis, :]即可

方案优势 #

• 完全适配非单调的x/y坐标，不需要先排序找索引，适用性更强
• 纯向量化操作，大规模数组下运算速度远快于Python原生遍历
• 逻辑清晰，每个条件对应一行代码，修改维护成本低

内容的提问来源于stack exchange，提问作者Terry