Question

我有以下numpy数组：

from sklearn.decomposition import PCA
from sklearn.preprocessing import normalize
import numpy as np

# NumPy array comprising associate metrics
# i.e. Open TA's, Open SR's, Open SE's
associateMetrics = np.array([[11,  28,  21],
   [27,  17,  20],
   [19,  31,  3],
   [17,  24,  17]]).astype(np.float64)
print("raw metrics=", associateMetrics)

现在，我想为上述数组中的每一列分配不同的权重。后来规范化了。例如。假设我想通过乘以5，多列2乘3和最后一列乘2来为第1列分配更高的权重。

我如何在python中执行此操作？对不起有点新的python和numpy。

我已经尝试了这个只有1列，但它不会工作：

# Assign weights to metrics
weightedMetrics = associateMetrics
np.multiply(2, weightedMetrics[:,0])
print("weighted metrics=", weightedMetrics)

Answer 1

你应该使用numpy的array broadcasting。这意味着可以自动扩展低维数组，以使用更高（但兼容）的维数阵列执行向量化操作。在您的具体情况下，您可以将(4,3)形数组与形状为(3,)的1d权重数组相乘，并获得所需内容：

weightedMetrics = associateMetrics * np.array([5,3,2])

诀窍在于你可以想象numpy ndarray具有领先的单身尺寸，广播是自动的。通过这个我的意思是你的1d numpy权重数组形状(3,)可以被认为具有领先的单一维度（但仅从广播的角度来看！）。并且很容易看出形状(4,3)和(1,3)的数组应该如何相乘：后者的每个元素都必须用于前者的完整列。

在一般情况下，您甚至可以在形状(3,1,3,1,4)和形状(2,3,4,4)之一上使用算术运算。重要的是，满足要求的尺寸要么一致，要么其中一个阵列应该在该位置具有单个尺寸，并且允许其中一个阵列更长（在前面）。

Answer 2

我找到了答案。这是我用过的：

print("weighted metrics=", np.multiply([ 1,   2,   3], associateMetrics))

为每个numpy列分配不同的权重

2 个答案: