基于最小/最大值的 Numpy 动态数组切片

我有一个 3 维 hape 数组(365, x, y) 其中 36 对应 = 每日数据。在某些情况下，沿时间轴的所有元素axis=0 are np.nan.

沿线每个点的时间序列axis=0看起来像这样：

我需要找到最大值（峰值数据）出现的索引，然后找到峰值两侧的两个最小值。

import numpy as np

a = np.random.random(365, 3, 3) * 10
a[:, 0, 0] = np.nan

peak_mask = np.ma.masked_array(a, np.isnan(a))
peak_indexes = np.nanargmax(peak_mask, axis=0)

我可以使用如下方法找到峰值之前的最小值：

early_minimum_indexes = np.full_like(peak_indexes, fill_value=0)

for i in range(peak_indexes.shape[0]):
    for j in range(peak_indexes.shape[1]):
        if peak_indexes[i, j] == 0:
            early_minimum_indexes[i, j] = 0
        else:
            early_mask = np.ma.masked_array(a, np.isnan(a))
            early_loc = np.nanargmin(early_mask[:peak_indexes[i, j], i, j], axis=0)   
            early_minimum_indexes[i, j] = early_loc

由此产生的峰值和谷值绘制如下：

对于大型数组（1m+元素）来说，这种方法在时间上是非常不合理的。有没有更好的方法使用 numpy 来做到这一点？

虽然使用屏蔽数组可能不是most在这种情况下是有效的解决方案，它将允许您在特定轴上执行屏蔽操作，同时或多或少保留形状，这是一个很大的便利。请记住，在许多情况下，屏蔽函数最终仍会复制屏蔽数据。

您当前的代码中的想法基本上是正确的，但是您错过了一些技巧，例如能够否定和组合掩码。此外，预先将掩码分配为布尔值的事实更有效，并且像这样的小挑剔np.full(..., 0) -> np.zeros(..., dtype=bool).

让我们倒过来解决这个问题。假设您有一个表现良好且具有峰值的一维数组a1。您可以使用掩蔽轻松找到最大值和最小值（或索引），如下所示：

peak_index = np.nanargmax(a1)
mask = np.zeros(a1.size, dtype=np.bool)
mask[peak:] = True
trough_plus = np.nanargmin(np.ma.array(a1, mask=~mask))
trough_minus = np.nanargmin(np.ma.array(a1, mask=mask))

这尊重了这样一个事实：掩码数组相对于正常的 numpy 布尔索引翻转了掩码的含义。计算中出现最大值也是可以的trough_plus，因为它保证不是最小值（除非你有全南的情况）。

Now if a1已经是一个蒙版数组（但仍然是一维），您可以做同样的事情，但暂时组合蒙版。例如：

a1 = np.ma.array(a1, mask=np.isnan(a1))
peak_index = a1.argmax()
mask = np.zeros(a1.size, dtype=np.bool)
mask[peak:] = True
trough_plus = np.ma.masked_array(a1, mask=a.mask | ~mask).argmin()
trough_minus  (np.ma.masked_array(a1, mask=a.mask | mask).argmin()

同样，由于掩码数组具有反向掩码，因此使用以下方法组合掩码非常重要|代替&，就像普通的 numpy 布尔掩码一样。在这种情况下，不需要调用 nan 版本argmax and argmin，因为所有的 nan 都已经被屏蔽了。

希望从这里可以清楚地看出对多个维度的概括，因为axisnumpy 函数中的关键字：

a = np.ma.array(a, mask=np.isnan(a))
peak_indices = a.argmax(axis=0).reshape(1, *a.shape[1:])
mask = np.arange(a.shape[0]).reshape(-1, *(1,) * (a.ndim - 1)) >= peak_indices

trough_plus = np.ma.masked_array(a, mask=~mask | a.mask).argmin(axis=0)
trough_minus = np.ma.masked_array(a, mask=mask | a.mask).argmin(axis=0)

N维掩蔽技术来自根据起始索引有效填充掩码 https://stackoverflow.com/q/58595650/2988730，就是为了这个目的而提出的。