nputData =[[ 1. 2. nan 4.],[nan 6. 7. nan]],取出每行第一个值

可以使用numpy库中的nanargmin函数来取出每行第一个非nan值的索引，然后再根据索引取出对应的值。代码如下：

import numpy as np

inputData = np.array([[1., 2., np.nan, 4.], [np.nan, 6., 7., np.nan]])

# 取出每行第一个非nan值的索引
idx = np.nanargmin(inputData, axis=1)

# 根据索引取出对应的值
result = inputData[np.arange(len(inputData)), idx]

print(result)

输出结果为：

[1. 6.]

相关问题

为什么numpy.nan == numpy.nan输出结果为False

在NumPy中，`numpy.nan`表示一个特殊的非数值（NaN），而NaN是一个特殊的浮点数，它不等于任何其他值，包括自己。这是因为NaN的定义是一个不确定的或未定义的值，无法与其他值进行比较来判断相等性。

在NumPy中使用`==`运算符比较两个NaN时，结果将始终为False。这是为了遵循IEEE浮点数标准，该标准指定NaN与任何值都不相等，包括自身。

如果要检查一个值是否为NaN，应使用`numpy.isnan()`函数，它会返回一个布尔值，表示给定值是否为NaN。例如，`numpy.isnan(numpy.nan)`将返回True。

df2.loc[:, df2['is_outlier']==0] = np.nan

这段代码的作用是将 DataFrame `df2` 中 `is_outlier` 列值为 0 的所有列的元素设置为 NaN（缺失值）。

- `df2['is_outlier']==0` 是一个布尔条件，用于选择 `is_outlier` 列值为 0 的行。

- `df2.loc[:, df2['is_outlier']==0]` 是通过布尔条件选择对应的列。

- `np.nan` 是 NumPy 库中表示缺失值的常量。

所以这段代码的意思是将 DataFrame `df2` 中 `is_outlier` 列值为 0 的所有列的元素设置为 NaN，以标记这些元素为缺失值。