Question

我想用列的平均值减去numpy数组中的所有值。

之前，以下代码有效：

centered_data = data - data.mean(axis = 1)

现在，此代码会生成如下错误消息：

ValueError：操作数无法与形状（3,862）（3，）
一起广播

将此行更改为：

centered_data = data - data.mean(axis = 1).reshape(data.shape[0],1)

数据类型为numpy.ndarray。

为什么平均向量现在需要重塑，而之前没有？

Answer 1

查看broadcasting rules。

data #has shape (3,862)
mean = data.mean(axis=1)  #has shape (3,)

根据第一个广播规则：

在两个阵列上操作时，NumPy会比较它们的形状   逐元素。它从尾随尺寸开始，并起作用   前进的方向。
时兼容两个维度
他们是平等的，或者其中一个是1

因此将3与862进行比较失败。因此，您需要将数据重塑为（862,3）或意味着（3,1）。

Answer 2

np.mean有一个keepdims参数。（data.mean也有它，但它记录在np.mean）中：

In [642]: data=np.arange(12).reshape(3,4)

In [643]: data.mean(axis=1, keepdims=True)
Out[643]: 
array([[ 1.5],
       [ 5.5],
       [ 9.5]])

In [644]: data-data.mean(axis=1, keepdims=True)
Out[644]: 
array([[-1.5, -0.5,  0.5,  1.5],
       [-1.5, -0.5,  0.5,  1.5],
       [-1.5, -0.5,  0.5,  1.5]])

如果不这样，mean和sum等操作会移除维度。 reshape(-1,1)和[:,None]也可以重新添加维度。

如果您在另一个轴上取平均值，则不需要保留（或恢复）尺寸。这是因为广播规则会在需要时自动添加维度：

In [645]: data-data.mean(axis=0)
Out[645]: 
array([[-4., -4., -4., -4.],
       [ 0.,  0.,  0.,  0.],
       [ 4.,  4.,  4.,  4.]])

你的＆＃39;之前＆＃39;像这样的情况 - 减少axis=0？

我不知道numpy中的任何更改会导致axis=1案例没有某种重塑或保密。

如果data.shape==(3, 4)

data+np.array([1,1,1,1])
# data+np.array([1,1,1,1])[None,:]  # automatic None

作品。

这会引发一个值错误：

data+np.array([1,1,1])
ValueError: operands could not be broadcast together with shapes (3,4) (3)

这有效：

data+np.array([1,1,1])[:,None]

Answer 3

您还可以将轴添加到数组中，以便广播。

>>> a
array([[ 0,  1,  2,  3,  4,  5,  6,  7],
       [ 8,  9, 10, 11, 12, 13, 14, 15],
       [16, 17, 18, 19, 20, 21, 22, 23]])
>>> m = a.mean(-1)
>>> a.shape, m.shape
((3, 8), (3,))
>>> a - m[:, np.newaxis]
array([[-3.5, -2.5, -1.5, -0.5,  0.5,  1.5,  2.5,  3.5],
       [-3.5, -2.5, -1.5, -0.5,  0.5,  1.5,  2.5,  3.5],
       [-3.5, -2.5, -1.5, -0.5,  0.5,  1.5,  2.5,  3.5]])
>>> 
>>> m[:, np.newaxis].shape
(3, 1)
>>>

Answer 4

问：“为什么平均向量现在需要重塑？”。

A ：因为NumPy无法在(n,m)和(n,)之间执行操作。要进行广播，NumPy会查找轴兼容性，1与任何轴都兼容。

(3,862) -
(3,) # error
(3,1) # this works
(1,1) # this works
(,862) # error
(1,862) # works

Numpy意味着现在需要重塑？

4 个答案: