本文主要解釋了如何根據給定的索引對一維數組進行反選的操作。
以下文數據為例

import numpy as np
data = np.array([ 0.93825827,  0.26701143, 0.99121108,  0.35582816, 0.90154837,  0.86254049, 0.83149103,  0.42222948, 0.27309625,  0.38925281]
)

如果我們給定一個閾值比如0.5來篩選數值，我們可以通過以下操作來選取相應的項

greater_than_05 = data[data>0.5]
less_than_05 = data[data<=0.5]
print("greater_than_05 : \n", greater_than_05)
print("less_than_05 : \n", less_than_05)

輸出結果如下 :
greater_than_05 :
[0.93825827 0.99121108 0.90154837 0.86254049 0.83149103]
less_than_05 :
[0.26701143 0.35582816 0.42222948 0.27309625 0.38925281]

那么在更加復雜的情況下，例如，我們給出索引sample_indexes = [0,1,2]，如何反選剩下的項呢。首先我們需要知道的就是，npy數組是可以使用bool型的索引的，當bool型索引數組的長度與目標len(data)相同時，我們就會從data中選出對應索引數組中所有True對應的項。下面用一個簡單的例子解釋 :

sample_indexes=[0,1,2]
mask = np.ones(len(data), np.bool)
mask[sample_indexes] = False
print("mask :\n",mask)
other_data = data[mask]
print("other_data : \n",other_data)

輸出結果如下 :
mask :
[False False False True True True True True True True]
other_data :
[0.35582816 0.90154837 0.86254049 0.83149103 0.42222948 0.27309625
0.38925281]

其中我們首先創建一個與目標1D數組長度相同的bool型數組,將sample_index對應的改為false，之后就可以通過剩下的mask索引來反選出其他的數據了。