我有一个整数向量（一维numpy数组），看起来像：
8, 1, 1, 2, 8, 99, 1, 2, 1, 2, 8, 2, 2, 2, 8, 99, 99, 8, 1, 1
（以向量化的方式，）我想过滤掉包含至少一个99值的8之间的所有数据。
因此在此示例中，我要剪切的数据以粗体显示：
8，1，1，2，8，99，1，2，1，2，8，2，2，2，8，99，99，8，1，1] >（即，数据位于包含至少一个99的8位数之间）
因此，如果我制作了一个布尔掩码来裁剪该数据，它将看起来像：
数据：8，1，1，2，8，99，1，2，1，2，8，2，2，2，8，99，99，8，1， 1个遮罩：T，T，T，T，F，F，F，F，F，F，T，T，T，T，F，F，F，T，T，T] >裁剪后的数据如下：
Data(Mask) = 8, 1, 1, 2, 8, 2, 2, 2, 8, 1, 1我可以提出矢量化的代码，如果8之间有相等的间距，则可以执行此操作。这是该代码：
inputRaw = np.array([8, 2, 3, 2, 99, 2, 8, 2, 3, 2, 2, 2, 8, 2, 3, 3, 3, 3]) inputPartitioned = np.reshape(inputRaw, (3, 6)) # reshaping it into an array of the form: np.array([[8, 2, 3, 2, 99, 2], [8, 2, 3, 2, 2, 2], [8, 2, 3, 3, 3, 3]]) selectedSections = np.logical_not(np.any(inputPartitioned>8, axis=1)) outputPartitioned = inputPartitioned[selectedSections] outputFlattened = outputPartitioned.flatten()我需要做的另一件事是一个掩码或索引，它告诉我（在原始索引中）被裁剪的数据。 （我需要这样做，因为我要跟踪第二个与第一个数组共享索引的数组）。我可以像这样编写此掩码（假设8的间距相等）：
inputIndex = np.arange(inputRaw.size) inputIndexPartitioned = np.reshape(inputIndex, (3, 6)) outputPartitionedIndex = inputIndexPartitioned[selectedSections] outputFlattenedIndex = outputPartitionedIndex.flatten()但是我不确定在8字间距不相等的情况下如何以矢量化方式执行此操作。
有什么想法吗？这些阵列很长，因此对于大型阵列快速工作的解决方案很有帮助。另外，我非常有信心，这些“ 99”将始终在8之后出现，因此也许对制作算法很有帮助。
我有一个整数向量（一维numpy数组），看起来像：8、1、1、2、8、99、1、2、1、2、2、8、2、2、2、8、99， 99、8、1、1（以矢量化方式），我想过滤掉8的之间的所有数据...
这应该可以解决问题。输入：
import numpy as np
in_arr = np.array([8, 1, 1, 2, 8, 99, 1, 2, 1, 2, 8, 2, 2, 2, 8, 99, 99, 8, 1, 1])
mask_8 = in_arr == 8
mask_8_cumsum = np.cumsum(mask_8)
print(mask_8_cumsum)
>>> [1 1 1 1 2 2 2 2 2 2 3 3 3 3 4 4 4 5 5 5]
unique_inds = np.unique(mask_8_cumsum[in_arr == 99])
print(unique_inds)
>>> [2 4]
final_mask = ~np.isin(mask_8_cumsum, unique_inds)
final_data = in_arr[final_mask]
print(final_mask)
>>> [ True True True True False False False False False False True True
True True False False False True True True]
print(final_data)
>>> [8 1 1 2 8 2 2 2 8 1 1]