Diberikan 3 kali 3 numpy array
a = numpy.arange(0,27,3).reshape(3,3)
# array([[ 0, 3, 6],
# [ 9, 12, 15],
# [18, 21, 24]])
Untuk menormalkan baris dari array 2 dimensi yang saya pikirkan
row_sums = a.sum(axis=1) # array([ 9, 36, 63])
new_matrix = numpy.zeros((3,3))
for i, (row, row_sum) in enumerate(zip(a, row_sums)):
new_matrix[i,:] = row / row_sum
Pasti ada cara yang lebih baik, bukan?
Mungkin untuk memperjelas: Dengan menormalkan, maksud saya, jumlah entri per baris harus satu. Tapi saya pikir itu akan menjadi jelas bagi kebanyakan orang.
Jawaban:
Penyiaran sangat bagus untuk ini:
row_sums = a.sum(axis=1) new_matrix = a / row_sums[:, numpy.newaxis]
row_sums[:, numpy.newaxis]
membentuk kembali row_sums dari menjadi(3,)
menjadi(3, 1)
. Ketika Anda melakukannyaa / b
,a
danb
disiarkan melawan satu sama lain.Anda dapat mempelajari lebih lanjut tentang penyiaran di sini atau bahkan lebih baik di sini .
sumber
a.sum(axis=1, keepdims=True)
untuk mempertahankan dimensi kolom tunggal, yang kemudian dapat Anda siarkan bersama tanpa harus menggunakannp.newaxis
.np.linalg.norm
sebagai gantinyaa.sum
!row_sums.reshape(3,1)
?Scikit-learn menawarkan fungsi
normalize()
yang memungkinkan Anda menerapkan berbagai normalisasi. The "make it sum to 1" disebut L1-norm. Karena itu:from sklearn.preprocessing import normalize matrix = numpy.arange(0,27,3).reshape(3,3).astype(numpy.float64) # array([[ 0., 3., 6.], # [ 9., 12., 15.], # [ 18., 21., 24.]]) normed_matrix = normalize(matrix, axis=1, norm='l1') # [[ 0. 0.33333333 0.66666667] # [ 0.25 0.33333333 0.41666667] # [ 0.28571429 0.33333333 0.38095238]]
Sekarang baris Anda akan berjumlah 1.
sumber
Saya pikir ini harus berhasil,
a = numpy.arange(0,27.,3).reshape(3,3) a /= a.sum(axis=1)[:,numpy.newaxis]
sumber
Jika Anda mencoba menormalkan setiap baris sedemikian rupa sehingga besarnya satu (yaitu panjang satuan baris adalah satu atau jumlah kuadrat setiap elemen dalam satu baris adalah satu):
import numpy as np a = np.arange(0,27,3).reshape(3,3) result = a / np.linalg.norm(a, axis=-1)[:, np.newaxis] # array([[ 0. , 0.4472136 , 0.89442719], # [ 0.42426407, 0.56568542, 0.70710678], # [ 0.49153915, 0.57346234, 0.65538554]])
Memverifikasi:
np.sum( result**2, axis=-1 ) # array([ 1., 1., 1.])
sumber
Saya pikir Anda dapat menormalkan elemen baris sum untuk 1 dengan ini:
new_matrix = a / a.sum(axis=1, keepdims=1)
. Dan normalisasi kolom dapat dilakukan dengannew_matrix = a / a.sum(axis=0, keepdims=1)
. Semoga ini bisa hep.sumber
Anda dapat menggunakan fungsi numpy bawaan:
np.linalg.norm(a, axis = 1, keepdims = True)
sumber
tampaknya ini juga berfungsi
def normalizeRows(M): row_sums = M.sum(axis=1) return M / row_sums
sumber
Anda juga bisa menggunakan transposisi matriks:
sumber
Atau menggunakan fungsi lambda, seperti
>>> vec = np.arange(0,27,3).reshape(3,3) >>> import numpy as np >>> norm_vec = map(lambda row: row/np.linalg.norm(row), vec)
setiap vektor vec akan memiliki norma satuan.
sumber
Berikut satu lagi cara yang mungkin menggunakan
reshape
:a_norm = (a/a.sum(axis=1).reshape(-1,1)).round(3) print(a_norm)
Atau menggunakan
None
karya juga:a_norm = (a/a.sum(axis=1)[:,None]).round(3) print(a_norm)
Keluaran :
array([[0. , 0.333, 0.667], [0.25 , 0.333, 0.417], [0.286, 0.333, 0.381]])
sumber
normed_matrix = normalize(input_data, axis=1, norm='l1') print(normed_matrix)
di mana input_data adalah nama array 2D Anda
sumber