วิธีทำให้อาร์เรย์ numpy 2 มิติเป็นปกติใน python less verbose?

ให้อาร์เรย์ตัวเลข 3 คูณ 3

a = numpy.arange(0,27,3).reshape(3,3)

# array([[ 0,  3,  6],
#        [ 9, 12, 15],
#        [18, 21, 24]])

เพื่อทำให้แถวของอาร์เรย์ 2 มิติเป็นปกติฉันคิดไว้

row_sums = a.sum(axis=1) # array([ 9, 36, 63])
new_matrix = numpy.zeros((3,3))
for i, (row, row_sum) in enumerate(zip(a, row_sums)):
    new_matrix[i,:] = row / row_sum

มันต้องมีวิธีที่ดีกว่านี้ไม่ใช่เหรอ?

บางทีการทำให้ชัดเจน: โดยการทำให้เป็นมาตรฐานฉันหมายถึงผลรวมของรายการต่อแถวต้องเป็นหนึ่ง แต่ผมคิดว่าจะชัดเจนสำหรับคนส่วนใหญ่

การออกอากาศเป็นสิ่งที่ดีมากสำหรับสิ่งนี้:

row_sums = a.sum(axis=1)
new_matrix = a / row_sums[:, numpy.newaxis]

row_sums[:, numpy.newaxis]ปรับรูปแบบ row_sums จากการ(3,)เป็น(3, 1)อยู่ เมื่อคุณทำa / b, aและbมีการออกอากาศกับแต่ละอื่น ๆ

คุณสามารถเรียนรู้เพิ่มเติมเกี่ยวกับการกระจายเสียง ที่นี่หรือดียิ่งขึ้นที่นี่

Scikit-learn นำเสนอฟังก์ชันnormalize()ที่ช่วยให้คุณสามารถใช้การปรับมาตรฐานต่างๆได้ "ทำให้ผลรวมเป็น 1" เรียกว่า L1-norm ดังนั้น:

from sklearn.preprocessing import normalize

matrix = numpy.arange(0,27,3).reshape(3,3).astype(numpy.float64)
# array([[  0.,   3.,   6.],
#        [  9.,  12.,  15.],
#        [ 18.,  21.,  24.]])

normed_matrix = normalize(matrix, axis=1, norm='l1')
# [[ 0.          0.33333333  0.66666667]
#  [ 0.25        0.33333333  0.41666667]
#  [ 0.28571429  0.33333333  0.38095238]]

ตอนนี้แถวของคุณจะรวมเป็น 1

ฉันคิดว่ามันน่าจะใช้ได้

a = numpy.arange(0,27.,3).reshape(3,3)

a /=  a.sum(axis=1)[:,numpy.newaxis]

ในกรณีที่คุณพยายามทำให้แต่ละแถวเป็นปกติโดยให้ขนาดเป็นหนึ่ง (เช่นความยาวหน่วยของแถวคือหนึ่งหรือผลรวมของกำลังสองของแต่ละองค์ประกอบในแถวเป็นหนึ่ง):

import numpy as np

a = np.arange(0,27,3).reshape(3,3)

result = a / np.linalg.norm(a, axis=-1)[:, np.newaxis]
# array([[ 0.        ,  0.4472136 ,  0.89442719],
#        [ 0.42426407,  0.56568542,  0.70710678],
#        [ 0.49153915,  0.57346234,  0.65538554]])

กำลังตรวจสอบ:

np.sum( result**2, axis=-1 )
# array([ 1.,  1.,  1.]) 

ฉันคิดว่าคุณสามารถทำให้ปกติรวมองค์ประกอบแถว 1 new_matrix = a / a.sum(axis=1, keepdims=1)ตามนี้: และการทำให้เป็นมาตรฐานคอลัมน์สามารถทำได้ด้วยnew_matrix = a / a.sum(axis=0, keepdims=1). หวังว่านี่จะช่วยได้

คุณสามารถใช้ฟังก์ชัน numpy ในตัว: np.linalg.norm(a, axis = 1, keepdims = True)

ดูเหมือนว่าจะได้ผลเช่นกัน

def normalizeRows(M):
    row_sums = M.sum(axis=1)
    return M / row_sums

คุณยังสามารถใช้การขนย้ายเมทริกซ์:

(a.T / row_sums).T

หรือใช้ฟังก์ชันแลมด้าเช่น

>>> vec = np.arange(0,27,3).reshape(3,3)
>>> import numpy as np
>>> norm_vec = map(lambda row: row/np.linalg.norm(row), vec)

เวกเตอร์ของ vec แต่ละตัวจะมีบรรทัดฐานของหน่วย

นี่เป็นอีกหนึ่งวิธีที่เป็นไปได้โดยใช้reshape:

a_norm = (a/a.sum(axis=1).reshape(-1,1)).round(3)
print(a_norm)

หรือใช้Noneงานด้วย:

a_norm = (a/a.sum(axis=1)[:,None]).round(3)
print(a_norm)

เอาท์พุต :

array([[0.   , 0.333, 0.667],
       [0.25 , 0.333, 0.417],
       [0.286, 0.333, 0.381]])

normed_matrix = normalize(input_data, axis=1, norm='l1')
print(normed_matrix)

โดยที่ input_data คือชื่อของอาร์เรย์ 2D ของคุณ