对2D Numpy数组的特定子集进行计算的最有效/Python方法

Question

下面是任务的分解：

1） 我有一个197x10 2D numpy数组。我扫描并确定感兴趣的特定细胞（选择这些细胞的标准并不重要。）这些细胞不局限于基质的一个特定区域。

2） 我有3247个其他2D Numpy数组具有相同的维度。对于这些其他阵列中的单个阵列，我需要取步骤1）指定的感兴趣的单元位置，并取所有这些的平均值（将它们相加，除以感兴趣的细胞位置的数量。）

3） 我需要对其余3246个阵列中的每一个重复2）。

在3247个阵列中，"标记"感兴趣的细胞并快速查看它们的最佳/最有效方法是什么？

--较小集合上的样本

假设给定一个2x2阵列：

[1，2]
[3,4]

也许感兴趣的细胞是包含1和4的细胞。因此，对于以下阵列：

[5，6]
[7，8]

和

[9，10]
[11，12]

我想把（5+8）/2记录在某个地方
我也想把（9+12）/2记录在某个地方。

编辑

现在，如果我想通过以下标准以蟒蛇的方式（使用Numpy）找到这些感兴趣的细胞：

-从第一行开始，检查第一个元素
-继续向下移动该列中的行，标记满足条件的元素
-在第一个不满足条件的元素上停止，然后转到下一列。

所以基本上，现在我只想保持行（对于特定列）感兴趣的连续单元格。因此，对于1），如果数组看起来像：

[1 2 3]  
[4 5 6]  
[7 8 9]

1，4，2，8和3是感兴趣的，我只标记1，4、2、3，因为5取消了8的资格。

Answer 1

Python方式：

answers = []
# this generates index matrix where the condition is met.
idx = np.argwhere( your condition of (1) matrix comes here)
for array2d in your_3247_arrays:
    answer = array2d[idx].mean()
    answers.append()
print(answers)

Answer 2

下面是一个例子：

import numpy as np
A = np.random.rand(197, 10)
B = np.random.rand(3247, 197, 10)
loc = np.where(A > 0.9)
B[:, loc[0], loc[1]].mean(axis=1)