Numpy是Python的一个工具包,提供了丰富的科学计算接口。现将网络上多个学习Numpy数组的总结搬运至此,留作备忘。 NumPy数组是一个多维数组对象,称为ndarray。其由两部分组成:
- 实际的数据
- 描述这些数据的元数据
大部分操作仅针对于元数据,而不改变底层实际的数据。关于NumPy数组有几点必需了解的:
- NumPy数组的下标从0开始。
- 同一个NumPy数组中所有元素的类型必须是相同的。
NumPy数组属性
在详细介绍NumPy数组之前。先详细介绍下NumPy数组的基本属性。NumPy数组的维数称为秩(rank),一维数组的秩为1,二维数组的秩为2,以此类推。在NumPy中,每一个线性的数组称为是一个轴(axes),秩其实是描述轴的数量。比如说,二维数组相当于是两个一维数组,其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是NumPy中的轴(axes),第一个轴相当于是底层数组,第二个轴是底层数组里的数组。而轴的数量——秩,就是数组的维数。
对于二维数组,传统上我们用矩形的行和列表示一个二维数组或矩阵,其中沿着0轴的方向被穿过的称作行,沿着1轴的方向被穿过的是列。NumPy的数组中比较重要的ndarray对象属性有:
- ndarray.ndim:数组的维数(即数组轴的个数),等于秩。最常见的为二维数组(矩阵)。
- ndarray.shape:数组的维度。为一个表示数组在每个轴上的长度的整数元组。例如二维数组中,表示数组的“行数”和“列数”。ndarray.shape返回一个元组,这个元组的长度就是维数,即ndim属性。
- ndarray.size:数组元素的总个数,等于shape属性中元组元素的乘积。(len(a)能查看二维数组a的行数)
- ndarray.dtype:表示数组中元素类型的对象,可使用标准的Python类型创建或指定dtype。
- ndarray.itemsize:数组中每个元素的字节大小。例如,一个元素类型为float64的数组itemsiz属性值为8(float64占用64个bits,每个字节长度为8,所以64/8,占用8个字节),又如,一个元素类型为complex32的数组item属性为4(32/8)。
- ndarray.data:包含实际数组元素的缓冲区,由于一般通过数组的索引获取元素,所以通常不需要使用这个属性。
创建数组
Python中使用的基本数据类型中是list
。比如,
>>> a=['a','b','c',1,'1']
>>> type(a)
list
>>> a[0]
'a'
>>> a[0:2]
['a', 'b']
再来介绍创建数组。创建数组的方法有很多。如,可以使用array函数从常规的Python列表和元组创造数组。所创建的数组类型由原序列中的元素类型推导而来:
>>> from numpy import *
>>> a = array( [2,3,4] )
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int64')
>>> b = array([1.2, 3.5, 5.1])
>>> b.dtype
dtype('float64')
# ndarray 与 python的list之间相互转换
b=np.asarray(a) # list a 转为 numpy数组 b
aa=b.tolist() # 将numpy的数组b转为python的list aa
可使用双重序列来表示二维的数组,三重序列表示三维数组,以此类推。
>>> b = array( [ (1.5,2,3), (4,5,6) ] )
>>> b
array([[ 1.5, 2. , 3. ],
[ 4. , 5. , 6. ]])
可以在创建时显式指定数组中元素的类型
>>> c = array( [ [1,2], [3,4] ], dtype=complex)
>>> c
array([[ 1.+0.j, 2.+0.j],
[ 3.+0.j, 4.+0.j]])
通常,刚开始时数组的元素未知,而数组的大小已知。因此,NumPy提供了一些使用占位符创建数组的函数。这些函数有助于满足除了数组扩展的需要,同时降低了高昂的运算开销。
用函数zeros可创建一个元素全是0的数组,用函数ones可创建一个元素全为1的数组,函数empty创建一个内容随机并且依赖于内存状态的数组。默认创建的数组类型(dtype)都是float64。然后可以使用d.dtype.itemsize来查看数组中元素占用的字节数目。
>>> d = zeros((3,4))
>>> d.dtype
dtype('float64')
>>> d
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
>>> d.dtype.itemsize
8
>>> d = eye(3) # eye创建一个单位矩阵
>>> b= np.random.random((2,3))
也可以自己制定数组中元素的类型
>>> ones( (2,3,4), dtype=int16 ) #手动指定数组中元素类型
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]], dtype=int16)
>>> empty((2,3))
array([[ 2.65565858e-316, 0.00000000e+000, 0.00000000e+000],
[ 0.00000000e+000, 0.00000000e+000, 0.00000000e+000]])
NumPy提供一个类似arange的函数返回一个等间隔的数组:
>>> np.arange(10, 30, 5) # 以10开始,差值为5的等差数列
array([10, 15, 20, 25])
>>> np.arange(0,2,0.5) # 浮点数
array([ 0. , 0.5, 1. , 1.5])
# 当arange使用浮点数参数时,由于浮点数精度有限,通常无法预测获得的元素个数。
# 因此,最好使用函数linspace去接收我们想要的元素个数来代替用range来指定步长
>>> numpy.linspace(-1, 0, 5)
array([-1. , -0.75, -0.5 , -0.25, 0. ])
数组中的元素是通过下标来访问的,可以通过方括号括起一个下标来访问数组中的某一个元素,也可以以切片的形式访问数组中多个元素。关于切片访问,将在切片一节介绍。
NumPy中的数据类型
对于科学计算来说,Python中自带的整型、浮点型和复数类型远远不够,因此NumPy中添加了许多数据类型。比如 bool, inti, int8, int16, int32, int64, uint8, uint16, uint32, uint64, float16, float32, float64或float, complex64, complex128或complex. NumPy类型转换方式如下:
>>> float64(42)
42.0
>>> int8(42.0)
42
>>> bool(42)
True
>>> bool(42.0)
True
>>> float(True)
1.0
许多函数的参数中可以指定参数的类型,当然,这个类型参数是可选的。如下:
>>> np.arange(7, dtype=uint16)
array([0, 1, 2, 3, 4, 5, 6], dtype=uint16)
输出数组
当输出一个数组时,NumPy以特定的布局用类似嵌套列表的形式显示:
- 第一行从左到右输出
- 每行依次自上而下输出
- 每个切片通过一个空行与下一个隔开
- 一维数组被打印成行,二维数组成矩阵,三维数组成矩阵列表。
>>> a = np.arange(6) # 1d array
>>> print a
[0 1 2 3 4 5]
>>> b = np.arange(12).reshape(4,3) # 2d array
>>> print b
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
>>> c = np.arange(24).reshape(2,3,4) # 3d array
>>> print c
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
# 如果一个数组太长,则NumPy自动省略中间部分而只打印两端的数据
# 可通过设置 printoptions 参数来禁用 NumPy 的这种行为并强制打印整个数组
set_printoptions(threshold='nan')
基本运算
数组的算术运算是按元素逐个运算。数组运算后将创建包含运算结果的新数组。
>>> a= np.array([20,30,40,50])
>>> b= np.arange( 4)
>>> b
array([0, 1, 2, 3])
>>> c= a-b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> 10*np.sin(a)
array([ 9.12945251,-9.88031624, 7.4511316, -2.62374854])
>>> a<35
array([True, True, False, False], dtype=bool)
与其他矩阵语言不同,NumPy中的乘法运算符*
按元素逐个计算,矩阵乘法可以使用dot函数或创建矩阵对象实现(后续章节会介绍)
>>> A= np.array([[1,1], [0,1]])
>>> B= np.array([[2,0], [3,4]])
>>> A*B # 逐个元素相乘
array([[2, 0], [0, 4]])
>>> np.dot(A,B) # 矩阵相乘
array([[5, 4], [3, 4]])
有些操作符如+=
和*=
用来更改已存在数组而不创建一个新的数组。
>>> a= np.ones((2,3), dtype=int)
>>> b= np.random.random((2,3))
>>> a*= 3
>>> a
array([[3, 3, 3], [3, 3, 3]])
>>> b+= a
>>> b
array([[ 3.69092703, 3.8324276, 3.0114541], [ 3.18679111, 3.3039349, 3.37600289]])
>>> a+= b # b转换为整数类型
>>> a
array([[6, 6, 6], [6, 6, 6]])
当数组中存储的是不同类型的元素时,数组将使用占用更多位(bit)的数据类型作为其本身的数据类型,也就是偏向更精确的数据类型(这种行为叫做upcast)。
>>> a= np.ones(3, dtype=np.int32)
>>> b= np.linspace(0,np.pi,3)
>>> b.dtype.name
'float64'
>>> c= a+b
>>> c
array([ 1., 2.57079633, 4.14159265])
>>> c.dtype.name
'float64'
>>> d= exp(c*1j)
>>> d
array([ 0.54030231+0.84147098j,-0.84147098+0.54030231j, -0.54030231-0.84147098j])
>>> d.dtype.name
'complex128'
许多非数组运算,如计算数组所有元素之和,都作为ndarray类的方法来实现,使用时需要用ndarray类的实例来调用这些方法。
>>> a= np.random.random((2,3))
>>> a
array([[ 0.65806048, 0.58216761, 0.59986935], [ 0.6004008, 0.41965453, 0.71487337]])
>>> a.sum()
3.5750261436902333
>>> a.min()
0.41965453489104032
>>> a.max()
0.71487337095581649
这些运算将数组看作是一维线性列表。但可通过指定axis参数对指定的轴做相应的运算:
>>> b= np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> b.sum(axis=0) # 计算每一列的和,注意理解轴的含义,参考数组的第一篇文章
array([12, 15, 18, 21])
>>> b.min(axis=1) # 获取每一行的最小值
array([0, 4, 8])
>>> b.cumsum(axis=1) # 计算每一行的累积和
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]])
索引,切片和迭代
和列表和其它Python序列一样,一维数组可以进行索引、切片和迭代操作。
>>> a= np.arange(10)**3 #记住,操作符是对数组中逐元素处理的!
>>> a
array([0, 1, 8, 27, 64, 125, 216, 343, 512, 729])
>>> a[2]
8
>>> a[2:5]
array([ 8, 27, 64])
>>> a[:6:2]= -1000 # 等同于a[0:6:2]= -1000,从开始到第6个位置,每隔一个元素将其赋值为-1000
>>> a
array([-1000, 1,-1000, 27,-1000, 125, 216, 343, 512, 729])
>>> a[: :-1] # 反转a
array([ 729, 512, 343, 216, 125,-1000, 27,-1000, 1,-1000])
>>>for i in a:
... print i**(1/3.),
...
nan 1.0 nan 3.0 nan 5.0 6.0 7.0 8.0 9.0
多维数组可以每个轴有一个索引。这些索引由一个逗号分割的元组给出。
>>>def f(x,y):
... return 10*x+y
...
>>> b= np.fromfunction(f,(5,4),dtype=int) #fromfunction是一个函数,下篇文章介绍。
>>> b
array([[ 0, 1, 2, 3],
[10, 11, 12, 13],
[20, 21, 22, 23],
[30, 31, 32, 33],
[40, 41, 42, 43]])
>>> b[2,3]
23
>>> b[0:5, 1] # 每行的第二个元素
array([ 1, 11, 21, 31, 41])
>>> b[: ,1] # 与前面的效果相同
array([ 1, 11, 21, 31, 41])
>>> b[1:3,: ] # 第二,三行的元素
array([[10, 11, 12, 13],
[20, 21, 22, 23]])
当少于提供的索引数目少于轴数时,已给出的数值按秩的顺序复制,缺失的索引则默认为是整个切片:
>>> b[-1] # 最后一行,等同于b[-1,:],-1是第一个轴,而缺失的认为是:,相当于整个切片。
array([40, 41, 42, 43])
#三维数组(两个2维数组叠加而成)
>>> c= array( [ [[ 0, 1, 2], [ 10, 12, 13]], [[100,101,102], [110,112,113]]] )
>>> c.shape
(2, 2, 3)
>>> c[1,...] #等同于c[1,:,:]或c[1]
array([[100, 101, 102],
[110, 112, 113]])
>>> c[...,2] #等同于c[:,:,2]
array([[ 2, 13],
[102, 113]])
多维数组的遍历是以是第一个轴为基础的:
>>>for row in b: # 每一个 row 是一行
... print row
...
[0 1 2 3]
[10 11 12 13]
[20 21 22 23]
[30 31 32 33]
[40 41 42 43]
如果想对数组中每个元素都进行处理,可以使用flat属性,该属性是一个数组元素迭代器:
>>>for element in b.flat:
... print element,
...
0 1 2 3 10 11 12 13 20 21 22 23 30 31 32 33 40 41 42 43
形状(shape)操作
数组的形状取决于其每个轴上的元素个数:
>>> a= np.floor(10*np.random.random((3,4)))
>>> a
array([[ 7., 5., 9., 3.],
[ 7., 2., 7., 8.],
[ 6., 8., 3., 2.]])
>>> a.shape
(3, 4)
可以用多种方式修改数组的形状:
>>> a.ravel() # 平坦化数组
array([ 7., 5., 9., 3., 7., 2., 7., 8., 6., 8., 3., 2.])
>>> a.shape= (6, 2)
>>> a.transpose() # 转置
array([[ 7., 9., 7., 7., 6., 3.],
[ 5., 3., 2., 8., 8., 2.]])
由ravel()展平的数组元素的顺序通常是“C风格”的,就是以行为基准,元素a[0,0]之后是a[0,1]。如果数组改变成其它形状(reshape),数组仍然是“C风格”的。NumPy通常创建一个以这个顺序保存数据的数组,所以ravel()通常不需要创建起调用数组的副本。但如果数组是通过切片其它数组或有不同寻常的选项时,就可能需要创建其副本。还可以同过一些可选参数函数让reshape()和ravel()构建FORTRAN风格的数组,即最左边的索引变化最快。
reshape函数有返回值,不改变原数组;而resize函数改变原数组。如果在reshape操作中指定一个维度为-1,那么其真实值将根据实际情况计算得到。比如,将 3 个数resize((-1,3))则表示分为三列,也就是一行。
>>> a
array([[ 7., 5.],
[ 9., 3.],
[ 7., 2.],
[ 7., 8.],
[ 6., 8.],
[ 3., 2.]])
>>> a.resize((2,6))
>>> a
array([[ 7., 5., 9., 3., 7., 2.],
[ 7., 8., 6., 8., 3., 2.]])
自定义结构数组
通过NumPy也可以定义像C语言那样的结构类型。在NumPy中定义结构的方法如下,定义结构类型名称;定义字段名称,标明字段数据类型。
student= dtype({'names':['name', 'age', 'weight'], 'formats':['S32', 'i','f']}, align = True)
这里student是自定义结构类型的名称,使用dtype函数创建,在第一个参数中,names
和formats
不能改变,names中列出的是结构中字段名称,formats中列出的是对应字段的数据类型。S32表示32字节长度的字符串,i表示32位的整数,f表示32位长度的浮点数。最后一个参数为True时,表示要求进行内存对齐。在定义好结构类型之后,就可以定义以该类型为元素的数组了:
a= array([(“Zhang”, 32, 65.5), (“Wang”, 24, 55.2)], dtype =student)
除了在每个元素中依次列出对应字段的数据外,还需要在array函数中最后一个参数指定其所对应的数据类型。(注:例子来源于张若愚的Python科学计算艺术的29页。更多关于dtype的内容请参考《NumPy for Beginner》一书的第二章。)
组合函数
这里介绍以不同的方式组合函数。首先创建两个数组:
>>> a = np.arange(9).reshape(3,3)
>>> a
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
>>> b = a+10
>>> b
array([[10, 11, 12],
[13, 14, 15],
[16, 17, 18]])
水平组合
>>> np.hstack((a, b))
array([[ 0, 1, 2, 10, 11, 12],
[ 3, 4, 5, 13, 14, 15],
[ 6, 7, 8, 16, 17, 18]])
>>> np.c_[a,b]
>>> np.concatenate((a, b), axis=1) # 也可通过concatenate函数并指定相应的轴来获得这一效果
垂直组合
>>> np.vstack((a, b))
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[10, 11, 12],
[13, 14, 15],
[16, 17, 18]])
>>> np.r_[a,b]
>>> concatenate((a, b), axis=0) # 可通过concatenate函数,并指定相应的轴来获得这一效果
深度组合
另外,还有深度方面的组合函数dstack。顾名思义,就是在数组的第三个轴(即深度)上组合。如下:
>>> np.dstack((a, b))
array([[[ 0, 10],
[ 1, 11],
[ 2, 12]],
[[ 3, 13],
[ 4, 14],
[ 5, 15]],
[[ 6, 16],
[ 7, 17],
[ 8, 18]]])
分割数组
在NumPy中,分割数组的函数有hsplit、vsplit、dsplit和split。可将数组分割成相同大小的子数组,或指定原数组分割的位置。
水平分割
>>> a = np.arange(9).reshape(3,3)
>>> a
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
>>> np.hsplit(a, 3)
[array([[0],
[3],
[6]]),
array([[1],
[4],
[7]]),
array([[2],
[5],
[8]])]
>>> np.split(a, 3, axis=1) # 也调用split函数并指定轴为1来获得这样的效果
垂直分割
>>> vsplit(a, 3)
[array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
>>> np.split(a, 3, axis=0) # 同样,也可通过solit函数并指定轴为1来获得这样的效果
面向深度的分割
dsplit函数使用的是面向深度的分割方式:
>>> c = arange(27).reshape(3, 3, 3)
>>> c
array([[[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8]],
[[ 9, 10, 11],
[12, 13, 14],
[15, 16, 17]],
[[18, 19, 20],
[21, 22, 23],
[24, 25, 26]]])
>>> dsplit(c, 3)
[array([[[ 0],
[ 3],
[ 6]],
[[ 9],
[12],
[15]],
[[18],
[21],
[24]]]),
array([[[ 1],
[ 4],
[ 7]],
[[10],
[13],
[16]],
[[19],
[22],
[25]]]),
array([[[ 2],
[ 5],
[ 8]],
[[11],
[14],
[17]],
[[20],
[23],
[26]]])]
复制和镜像(View)
当运算和处理数组时,它们的数据有时被拷贝到新的数组,有时不是。这通常是新手的困惑之源。这有三种情况:
完全不复制
简单的赋值,而不复制数组对象或它们的数据。
>>> a = np.arange(12)
>>> b = a # 不创建新对象
>>> b is a # a和b是同一个数组对象的两个名字
True
>>> b.shape = 3,4
>>> a.shape # 也改变了a的形状
(3, 4)
Python 传递不定对象作为参考4,所以函数调用不拷贝数组。
>>> def f(x):
... print id(x)
...
>>> id(a) #id是一个对象的唯一标识
148293216
>>> f(a)
148293216
视图(view)和浅复制
不同的数组对象分享同一个数据。视图方法创造一个新的数组对象指向同一数据。
>>> c = a.view()
>>> c is a
False
>>> c.base is a # c是a持有数据的镜像
True
>>> c.flags.owndata
False
>>> c.shape = 2,6
>>> a.shape # a的形状没变
(3, 4)
>>> c[0,4] = 1234
>>> a # a的数据改变了
array([[ 0, 1, 2, 3],
[1234, 5, 6, 7],
[ 8, 9, 10, 11]])
切片数组返回它的一个视图:
>>> s = a[ : , 1:3] # 获得第2,3列的元素
>>> s[:] = 10 # s[:] 是s的镜像。注意区别s=10 and s[:]=10
>>> a # a的元素改变了
array([[ 0, 10, 10, 3],
[1234, 10, 10, 7],
[ 8, 10, 10, 11]])
深复制
这个复制方法完全复制数组和它的数据。
>>> d = a.copy() # 创建了一个含有新数据的新数组对象
>>> d is a
False
>>> d.base is a # d和a现在没有任何关系
False
>>> d[0,0] = 9999
>>> a
array([[ 0, 10, 10, 3],
[1234, 10, 10, 7],
[ 8, 10, 10, 11]])
matrix对象
NumPy和Matlab不一样,对于多维数组的运算,默认情况下并不使用矩阵运算,如果你希望对数组进行矩阵运算的话,可以调用相应的函数。
numpy库提供了matrix类,使用matrix类创建的是矩阵对象,它们的加减乘除运算默认采用矩阵方式计算,因此用法和matlab十分类似。但是由于NumPy中同时存在ndarray和matrix对象,因此用户很容易将两者弄混。这有违Python的“显式优于隐式”的原则,因此并不推荐在较复杂的程序中使用matrix。下面是使用matrix的一个例子:
>>> a = np.matrix([[1,2,3],[5,5,6],[7,9,9]])
>>> a*a**-1
matrix([[ 1.00000000e+00, 1.66533454e-16, -8.32667268e-17],
[ -2.77555756e-16, 1.00000000e+00, -2.77555756e-17],
[ 1.66533454e-16, 5.55111512e-17, 1.00000000e+00]])
numpy保存和提取数组到文件
# 保存和提取一维和二维数组
np.savetxt('d.dat',d,fmt='%.18e',delimiter=' ',newline='\n', header='', footer='', comments='# ', encoding=None)
d 可以是一个数组或者列表,也可以是由 np.column_stack() 函数将多个数组进行组合的结果。
fmt,数据格式,
delimiter,分隔符,默认为 ' '
newline,换行符,默认为 '\n'
header,文件开头注释行的内容
footer,文件结尾注释行的内容
comments, 注释行的开头,默认为 #
encoding,编码格式,默认为 'latin1'
d=np.loadtxt('d.dat',dtype='float',comments='#',skiprows=0,delimiter=None,usecols=None,unpack=False )
dtype,数据类型, 默认为 float
comments, 注释行的开头,默认为 #
skiprows,从文件开头跳过(不读取)的行数,默认为 0;当有注释时,skiprows=0 会自动跳过所有注释;有注释时,若 skiprows 不等于 0 则会按照 skiprows 的值进行跳过。
delimiter,分隔符,默认为所有的空格
usecols,只读取指定的列,比如 usecols=(0,2) 读取第1,3列,默认读取所有列
unpack,若为真,则可以如此赋值,d1,d2,d3=np.loadtxt('data.dat',usecols=(0,1,2),unpack=True);默认为 False
m = np.loadtxt(open("file.csv","rb"),delimiter=",",skiprows=1) # 导入csv文件
# 保存为二进制格式
np.load和np.save函数以NumPy专用的二进制类型保存数据,这两个函数会自动处理元素类型和shape等信息。
但是np.save输出的文件很难被其它语言编写的程序读入:
np.save("a.npy", a)
c = np.load( "a.npy" )
# 如果你想将多个数组保存到一个文件中的话,可以使用numpy.savez函数
Others
计算皮尔森相关系数矩阵
使用np.corrcoef(a)
可计算矩阵a
的行与行之间的相关系数,np.corrcoef(a,rowvar=0)
用于计算各列之间的相关系数R
,返回值为相关系数矩阵。
计算斯皮尔曼等级系数矩阵
使用scipy.stats.spearmanr(a)
可计算矩阵a
的列与列之间的相关系数R
,scipy.stats.spearmanr(a,axis=1)
用于计算各行之间的相关系数R
。
返回两个值,第一个为相关系数矩阵,第二个为 p-value 。
mask
使用 numpy.ma
模块可以将array
中的某些元素标记为 invalid
。
import numpy as np
import numpy.ma as ma
x=np.array([1,2,3,4,0.5])
mx=ma.masked_array(x,mask=[0,0,0,1,0])
mx
x.mean()
mx.mean()
x=np.array([1,2,3,4,0.5])
y=np.array([1,2,3,4,0.5,0.6]).reshape(2,3)
mx=ma.masked_array(x,mask=[0,0,0,1,0])
mx=ma.array(x,mask=[0,0,0,1,0]) # mask the 4-th element
mx=ma.masked_values(x,0.5) # mask values close to 0.5
masked_equal(x, value[, copy]) # Mask an array where equal to a given value.
masked_values(x, value[, rtol, atol, copy, …]) # Mask using floating point equality.
masked_greater(x, value[, copy]) # Mask an array where greater than a given value.
masked_greater_equal(x, value[, copy]) # Mask an array where greater than or equal to a given value.
masked_inside(x, v1, v2[, copy]) # Mask an array inside a given interval.
masked_outside(x, v1, v2[, copy]) # Mask an array outside a given interval.
masked_less(x, value[, copy]) # Mask an array where less than a given value.
masked_less_equal(x, value[, copy]) # Mask an array where less than or equal to a given value.
masked_not_equal(x, value[, copy]) # Mask an array where not equal to a given value.
masked_invalid(a[, copy]) # Mask an array where invalid values occur (NaNs or infs).
masked_object(x, value[, copy, shrink]) # Mask the array x where the data are exactly equal to value.
masked_where(condition, a[, copy]) # Mask an array where a condition is met.
fix_invalid() # Return input with invalid data masked and replaced by a fill value
getmask and getmaskarray functions
x = ma.array([[1, 2], [3, 4]], mask=[[0, 1], [1, 0]])
x[~x.mask]
x.compressed()
mx.filled() # Suppose now that we wish to print that same data, but with the missing values replaced by the average value.
Sources: