Question

当numpy 2d阵列分裂时，我遇到了一些麻烦。我有一个2D numpy数组A（shape =（N，N）），然后我将它除以row_sum（轴= 1）并获得2D数组B，但是当我计算出B的row_sum（axis = 1）时，在某些行中不等于一个，代码如下：（python2.7.x）

from __future__ import division
import numpy as np

A = np.array([[x_11, x_12, ..., x_1N],
              [x_21, x_22, ..., x_2N],
              [...   ...   ...  ... ]
              [x_N1, x_N2, ..., x_NN]]) # x_ij are some np.float64 values
B = A / np.sum(A, axis=1, keepdims=True)

理论上的结果：

np.count_nonzero(np.sum(B, axis=1) != 1)
# it should be 0

现实结果：

np.count_nonzero(np.sum(B, axis=1) != 1)
# something bigger than 0

我相信原因是精确丢失，尽管我使用的是dtype = np.float64。因为在我的项目中，A 2D阵列（形状=（N，N），N> 8000），大多数值非常小（例如= 1.0）而其他值非常大（例如，= 2000）同一行。

我试过这个：添加遗失物

while np.count_nonzero(np.sum(B, axis=1) != 1) != 0
    losts = 1 - B
    B[:, i] += losts # the i may change by some conditions

尽管如此，它最终可以解决这个问题，但对我项目的下一步并不好。

有人能帮帮我吗？非常感谢！！！

Answer 1

使用浮动数字时，精度会有所下降，浮动数字很难与完全自然数匹配。

证明这一点的简单测试是：

>>> 0.1 + 0.2 == 0.3
False

这是因为0.1 + 0.2的浮点表示为0.30000000000000004。

要解决此问题，您只需切换到np.isclose或np.allclose：

import numpy as np

N = 100
A = np.random.randn(N, N)
B = A / np.sum(A, axis=1, keepdims=True)

然后：

>>> np.count_nonzero(np.sum(B, axis=1) != 1)
79

，而

>>> np.allclose(np.sum(B, axis=1), 1)
True

简而言之，您的行已正确归一化，它们只是不将完全归为1。

来自文档np.isclose(a, b)相当于：

absolute(a - b) <= (atol + rtol * absolute(b))

使用atol = 1e-8和rtol = 1e-5（默认情况下），这是比较两个浮点数代表相同数字（或至少约为）的正确方法

numpy二维数组划分精确丢失

1 个答案: