Question

我正在使用“使用Python进行机器学习简介”一书中的Naive Bayes分类器示例，并且正在努力理解以下代码示例的机制：

import numpy as np

X = np.array([[0,1,0,1],[1,0,1,1],[0,0,0,1],[1,0,1,0]])

y = np.array([0,1,0,1])

print(X)
print('\n')
print(y)
print('\n')

counts = {}

for label in np.unique(y):
    print(label,'\n')
    counts[label] = X[y == label].sum(axis=0)
    print(counts[label],'\n')

print('Feature counts:\n{}'.format(counts))

代码输出：

[[0 1 0 1]
 [1 0 1 1]
 [0 0 0 1]
 [1 0 1 0]]


[0 1 0 1]


0 

[0 1 0 2] 

1 

[2 0 2 1] 

Feature counts:
{0: array([0, 1, 0, 2]), 1: array([2, 0, 2, 1])}

我不明白如何填充每个类（0和1）的数组。

我的理解是sum（axis = 0）意味着对矩阵的列求和。因此，对于“0”标签（也称为类），我在矩阵“X”中计算以下内容：

第一列中有2个零，第二列中有3个零，第三列中有2个零，第四列中有1个零

鉴于代码输出，我的理解显然不正确。

Answer 1

您可以从代码行的内部开始

X[y == label].sum(axis=0)

让我们看一下案例label==0。然后

y == label
# results in
[ True False  True False]

使用这个带有4个条目的布尔列表来索引X将从X中选择第一行和第三行，

[[0 1 0 1]   # True
 [1 0 1 1]   # False
 [0 0 0 1]   # True
 [1 0 1 0]]  # False

X[y == label]
#results in
[[0 1 0 1]
 [0 0 0 1]]

现在沿着这个2x4数组的列方向求和

X[y == label].sum(axis=0)
# results in
[0 1 0 2]

我在这里猜测，但您可能想要做的是创建一个X本身的布尔数组并对其列求和。

counts[label] = (X == label).sum(axis=0)

使用此行运行代码将生成

# for label == 0
[2 3 2 1] 
# for label == 1
[2 1 2 3]

Answer 2

您似乎忘记了布尔掩码function getUserDetails (obj) { return obj.Details; } _(getUserDetails(obj)).pick('userEmail', 'token');。

有关Boolean or “mask” index arrays州的文档：

与整数索引数组的情况不同，在布尔情况下，结果是一个一维数组，其中包含索引数组中与布尔数组中所有真实元素对应的所有元素。

因此y == label的{{1}}会导致：

X[y == label]

根据文件，是：

label = 0

垂直求和，你得到：

X[np.array(true, false, true, false)]

同一过程获得[[0 1 0 1] [0 0 0 1]]。这一次count[0] = np.array([0, 1, 0, 2])，count[1]给出label = 1。使用此数组屏蔽y == label会给出：

np.array(false, true, false, true)

垂直求和以获得：

在Numpy中计算每个类的非零条目

2 个答案: