如何基于另一数组条件将Numpy数组转为含None的普通数组？

嘿，这个问题我之前处理大型数组时也遇到过！你用np.ma.masked_where得到掩码数组是对的，但要转换成带None的普通数组，其实用np.where直接一步到位更方便，而且完全是矢量化操作，效率拉满，不用碰任何Python循环。

核心思路 #

因为None是Python对象，我们需要让数组的 dtype 变成object（原生数值 dtype 比如int/float存不了None），而np.where会自动帮我们处理 dtype 的转换，同时完成条件替换。

具体代码实现 #

import numpy as np

# 你的输入数组
a = np.array([2, 2, 4, 0, 4, 3, 3, 3, 1, 2])
b = np.array([0, 0, 0, 1, 0, 3, 0, 5, 0, 0])

# 用np.where完成条件替换
c = np.where(b == 0, a, None)

运行后c的结果就是你要的：

array([2, 2, 4, None, 4, None, 3, None, 1, 2], dtype=object)

另一种思路：从掩码数组转换 #

如果你已经用了np.ma.masked_where，也可以直接用掩码数组的filled方法把掩码位置替换成None：

masked_a = np.ma.masked_where(b != 0, a)
c = masked_a.filled(None)

这个方法和np.where效果完全一致，选哪个看你习惯。

额外提醒 #

• 如果后续不需要保留None，而是要做数值计算，建议用np.nan代替None，这样数组可以保持数值 dtype（比如float64），计算效率更高：

  c = np.where(b == 0, a, np.nan)
  # 结果：array([ 2.,  2.,  4., nan,  4., nan,  3., nan,  1.,  2.])
  

• object dtype 的数组虽然能存None，但它的计算性能会比纯数值数组差一些，所以如果业务允许，优先用np.nan方案。

内容的提问来源于stack exchange，提问作者MoMiJi