本文介绍使用 np.isin() 与 np.where()（或原地赋值）高效地将 NumPy 数组中不满足多值条件的元素批量替换为 NaN，适用于数据清洗与掩码处理场景。
本文介绍使用 `np.isin()` 与 `np.where()`（或原地赋值）高效地将 numpy 数组中不满足多值条件的元素批量替换为 `nan`，适用于数据清洗与掩码处理场景。
在科学计算和数据分析中，常需对数组进行条件筛选与缺失值标记——例如，仅保留特定数值（如 2、3、7），其余统一置为 NaN。NumPy 提供了简洁高效的向量化方案，无需循环即可完成该操作。
核心思路是：先用 np.isin() 构建布尔掩码，再用 np.where() 实现条件选择；若数组已为浮点类型，还可直接原地修改以节省内存。
✅ 方法一：生成新数组（推荐，安全且通用）
import numpy as np
# 示例数组（整型）
a = np.array([[0, 7, 2, 1, 6, 0],
[5, 3, 0, 2, 5, 0],
[8, 2, 0, 1, 0, 7],
[0, 3, 2, 0, 2, 0],
[7, 1, 0, 0, 7, 0]])
# 保留值为 2、3、7 的元素，其余设为 NaN
out = np.where(np.isin(a, [2, 3, 7]), a, np.nan)
print(out)输出结果为 float64 类型数组（因 np.nan 是浮点数），符合预期：
[[nan 7. 2. nan nan nan] [nan 3. nan 2. nan nan] [nan 2. nan nan nan 7.] [nan 3. 2. nan 2. nan] [ 7. nan nan nan 7. nan]]
⚠️ 注意：np.where(condition, x, y) 中 x 和 y 类型需兼容；若 a 是整型，np.nan 会自动触发向上类型转换（int → float），这是预期行为。
✅ 方法二：原地修改（仅限浮点数组）
若原始数组已是 float 类型（如 dtype=float 或 dtype=np.float32），可避免创建副本，直接赋值：
a_float = a.astype(float) # 显式转为浮点 a_float[~np.isin(a_float, [2, 3, 7])] = np.nan # ~ 表示“非”
该写法内存更友好，但不可用于整型数组（否则报错：TypeError: int() argument must be a string, a bytes-like object or a real number），因为整型数组不支持 np.nan 赋值。
? 补充说明与最佳实践
- np.isin(a, [2, 3, 7]) 返回与 a 同形状的布尔数组，True 表示元素在目标列表中；
- 条件可扩展：[2, 3, 7] 可替换为任意一维序列（如 tuple、np.array([2,3,7])），甚至变量 valid_vals；
- 若需保留原始数组不变，务必使用方法一；若处理大型浮点数组且内存敏感，优先考虑方法二；
- 对于高维数组（如 3D、4D），上述方法同样适用，np.isin 和 np.where 均支持全维度广播。
综上，结合 np.isin 与 np.where 是 NumPy 中实现“多值保真、其余置空”任务的标准、高效且可读性强的解决方案。
