Я могу предложить этот подход, который далеко не оптимален, но он работает:
## data
import numpy as np
np.random.seed(42)
a = np.array([[1., 3., 4., 5., 1., 2., 5., 7.],
[1., 3., 6., 4., 4., 0., 4., 0.],
[5., 0., 5., 1., 3., 0., 5., 1.],
[2., 1., 5., 4., 6., 1., 3., 4.],
[2., 1., 0., 0., 6., 1., 2., 1.],
[3., 5., 7., 2., 9., 6., 3., 5.]])
## NaN statistics definition
nan_ratio = 0.2
nan_seq_len = 4
number_of_nan_seq = int(nan_ratio * a.size / nan_seq_len)
nan_position = np.random.randint(0, a.size-nan_seq_len, size=number_of_nan_seq)
## NaN insertion
nan_indexes = np.ones([nan_position.size, nan_seq_len]) * nan_position[:, np.newaxis] + np.arange(0, nan_seq_len)
a_shape = a.shape
a_flat = a.flatten()
a_flat[nan_indexes.astype('int')] = np.nan
a = a_flat.reshape(a_shape)
output a
:
array([[ 1., 3., 4., 5., 1., 2., 5., 7.],
[ 1., 3., 6., 4., 4., 0., 4., 0.],
[ 5., 0., 5., 1., 3., 0., 5., 1.],
[ 2., 1., 5., 4., nan, nan, nan, nan],
[ 2., 1., 0., 0., 6., 1., nan, nan],
[nan, nan, 7., 2., 9., 6., 3., 5.]])