本文介绍如何结合 np.digitize 和 np.fmax 对多个 NumPy 数组按自定义区间分类，再通过 np.where 精准保留原始数据中的 NaN 位置，生成符合业务逻辑的融合分类结果。

本文介绍如何结合 `np.digitize` 和 `np.fmax` 对多个 numpy 数组按自定义区间分类，再通过 `np.where` 精准保留原始数据中的 nan 位置，生成符合业务逻辑的融合分类结果。

在海洋-大气耦合数据分析中，常需依据多个物理场（如海表温度、气压）的阈值范围协同生成统一分类标签（如 1–8 类），同时严格保持陆地区域（以 NaN 或填充值标记）在最终结果中仍为 NaN。直接使用 np.fmax 会忽略原始缺失值的语义，导致无效区域被错误赋值。解决该问题的关键在于：先完成数值分类与融合，再基于原始掩膜恢复缺失标识。

以下为完整实现流程：

import numpy as np

# 示例数据：ocean 含 NaN（代表陆地），atmos 为完整大气场
ocean = np.array([[2, 4, 5], [6, np.nan, 2], [9, 3, np.nan]])
atmos = np.array([[4, 2, 5], [6, 7, 3], [8, 3, 2]])

# 定义各变量对应的分箱边界（左开右闭区间）
bin1 = [2, 4, 6]  # ocean 分类边界 → 生成 0/1/2/3 类（注意：digitize 返回索引+1）
bin2 = [4, 6, 8]  # atmos 分类边界

# 分别分类（返回整数类别索引）
ocean_cat = np.digitize(ocean, bin1)   # 值 <p>输出：</p><pre class="brush:php;toolbar:false;">[[ 1.  2.  2.]
 [ 3. nan  1.]
 [ 3.  1. nan]]

✅ 注意事项：

• np.digitize 默认返回 int 类型，而 np.nan 是浮点数，因此 final_cat 自动转为 float64；若需保持整数类型但用特殊码（如 -999）替代 NaN，可改用 np.where(..., -999, fused_cat) 并显式指定 dtype=int。
• 若需同时尊重 ocean 和 atmos 的缺失值（任一为 NaN 即置为 NaN），使用 np.isnan(ocean) | np.isnan(atmos)；若仅当两者同时为 NaN 才置 NaN，则用 & 运算符。
• 对于 N 个输入数组的通用场景，推荐使用 np.logical_or.reduce() 构建联合缺失掩膜，并用 np.fmax.reduce() 替代手动嵌套调用，提升可扩展性与可读性：

arrays = [ocean, atmos]
bins = [bin1, bin2]
masks = [np.isnan(a) for a in arrays]
combined_mask = np.logical_or.reduce(masks)
classified = [np.digitize(a, b) for a, b in zip(arrays, bins)]
final_cat = np.where(combined_mask, np.nan, np.fmax.reduce(classified))

该方法兼顾科学严谨性与工程实用性，适用于 NetCDF 多变量栅格分析、遥感产品融合及气候模型后处理等典型场景。