Как Вы имеете дело с недостающими данными с помощью numpy/scipy?

Я также сомневаюсь в проблеме с маскированными массивами. Вот пара примеров:

import numpy as np
data = np.ma.masked_array(np.arange(10))
data[5] = np.ma.masked # Mask a specific value

data[data>6] = np.ma.masked # Mask any value greater than 6

# Same thing done at initialization time
init_data = np.arange(10)
data = np.ma.masked_array(init_data, mask=(init_data > 6))

Маскированные массивы - это ответ, как описывает DpplerShift. Для быстрого и грязного использования вы можете использовать причудливую индексацию с логическими массивами:

>>> import numpy as np
>>> data = np.arange(10)
>>> valid_idx = data % 2 == 0 #pretend that even elements are missing

>>> # Get non-missing data
>>> data[valid_idx]
array([0, 2, 4, 6, 8])

Теперь вы можете использовать valid_idx как быструю маску и для других данных

>>> comparison = np.arange(10) + 10
>>> comparison[valid_idx]
array([10, 12, 14, 16, 18])