Question

假设我有一个numpy数组：

data = np.array([[1,1,1],[2,2,2],[3,3,3]])

我有一个相应的“vector：”

vector = np.array([1,2,3])

如何对每行data进行减法或除法，结果为：

sub_result = [[0,0,0], [0,0,0], [0,0,0]]
div_result = [[1,1,1], [1,1,1], [1,1,1]]

长话短说：如何使用与每行对应的一维标量数组对2D数组的每一行执行操作？

Answer 1

你走了。您只需将None（或np.newaxis）与广播结合使用：

In [6]: data - vector[:,None]
Out[6]:
array([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])

In [7]: data / vector[:,None]
Out[7]:
array([[1, 1, 1],
       [1, 1, 1],
       [1, 1, 1]])

Answer 2

如上所述，使用None或np.newaxes进行切片是一种很好的方法。另一种选择是使用转置和广播，如

(data.T - vector).T

和

(data.T / vector).T

对于更高维数组，您可能希望使用NumPy数组的swapaxes方法或NumPy rollaxis函数。确实有很多方法可以做到这一点。

有关广播的更全面的解释，请参阅 http://docs.scipy.org/doc/numpy/user/basics.broadcasting.html

Answer 3

JoshAdel的解决方案使用np.newaxis添加维度。另一种方法是使用reshape() to align the dimensions in preparation for broadcasting。

data = np.array([[1,1,1],[2,2,2],[3,3,3]])
vector = np.array([1,2,3])

data
# array([[1, 1, 1],
#        [2, 2, 2],
#        [3, 3, 3]])
vector
# array([1, 2, 3])

data.shape
# (3, 3)
vector.shape
# (3,)

data / vector.reshape((3,1))
# array([[1, 1, 1],
#        [1, 1, 1],
#        [1, 1, 1]])

执行重塑（）允许维度排列广播：

data:            3 x 3
vector:              3
vector reshaped: 3 x 1

请注意data/vector没问题，但它无法为您提供所需的答案。它将array的每个列（而不是每个行）除以vector的每个对应元素。如果您明确地将vector改为1x3而不是3x1，那么您将得到的结果。

data / vector
# array([[1, 0, 0],
#        [2, 1, 0],
#        [3, 1, 1]])
data / vector.reshape((1,3))
# array([[1, 0, 0],
#        [2, 1, 0],
#        [3, 1, 1]])

Answer 4

Pythonic方法是...

np.divide(data,vector)

这将进行重塑，结果也是浮点格式。在其他答案中，结果采用四舍五入的整数格式。

＃注意：数据和向量中的列数均不应匹配

Answer 5

添加到stackoverflowuser2010的答案中，通常情况下您可以使用

data = np.array([[1,1,1],[2,2,2],[3,3,3]])

vector = np.array([1,2,3])

data / vector.reshape(-1,1)

这会将您的向量变成column matrix/vector。允许您根据需要执行元素操作。至少对我来说，这是最直观的处理方法，因为（在大多数情况下）numpy只会使用相同内部内存的视图来重塑它的效率。

Answer 6

关键是将大小为 (3,) 的向量重塑为 (3,1)：将每行除以一个元素或 (1,3)：将每列除以一个元素。由于 data.shape 与 vector.shape 不对应，NumPy 会自动将 vector 的形状扩展为 (3,3) 并按元素进行除法。

In[1]: data/vector.reshape(-1,1)
Out[1]:
array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])

In[2]: data/vector.reshape(1,-1)
Out[2]:
array([[1.        , 0.5       , 0.33333333],
       [2.        , 1.        , 0.66666667],
       [3.        , 1.5       , 1.        ]])

类似：

x = np.arange(9).reshape(3,3)
x
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

x/np.sum(x, axis=0, keepdims=True)
array([[0.        , 0.08333333, 0.13333333],
       [0.33333333, 0.33333333, 0.33333333],
       [0.66666667, 0.58333333, 0.53333333]])

x/np.sum(x, axis=1, keepdims=True)
array([[0.        , 0.33333333, 0.66666667],
       [0.25      , 0.33333333, 0.41666667],
       [0.28571429, 0.33333333, 0.38095238]])

print(np.sum(x, axis=0).shape)
print(np.sum(x, axis=1).shape)
print(np.sum(x, axis=0, keepdims=True).shape)
print(np.sum(x, axis=1, keepdims=True).shape)
(3,)
(3,)
(1, 3)
(3, 1)

Numpy：用向量元素划分每一行

6 个答案: