二维和三维数组之间的相关系数-NumPy/Python

让

有没有办法计算不存在循环的相关系数

import numpy as np
A = np.ones([n,m])
B = np.ones([o,n,m])

其中

m

，

n

和

o

用于表示尺寸

不合理的例子：

C = corr(A,B) = array([1,o])

---

我们可以使用

corr2_coeff

从重塑输入到

2D

版本，这样第一个输入被重塑为一列数组，第二个输入的列数与其最后两个轴的组合长度相同，如下所示-

from scipy.stats.stats import pearsonr

A = np.random.random([5,5])
B = np.random.random([3,5,5])
C = []
for i in B:
    C.append(pearsonr(A.flatten(), i.flatten())[0])

C = np.array(C)

In [143]: from scipy.stats.stats import pearsonr
     ...: 
     ...: A = np.random.random([5,5])
     ...: B = np.random.random([3,5,5])
     ...: C = []
     ...: for i in B:
     ...:     C.append(pearsonr(A.flatten(), i.flatten())[0])
     ...: 
     ...: C = np.array(C)
     ...: 

In [144]: C
Out[144]: array([ 0.05637413, -0.26749579, -0.08957621])

In [145]: corr2_coeff(A.reshape(1,-1),B.reshape(B.shape[0],-1)).ravel()
Out[145]: array([ 0.05637413, -0.26749579, -0.08957621])

样本运行-

corr2_coeff(A.reshape(1,-1),B.reshape(B.shape[0],-1)).ravel()

对于真正巨大的阵列，我们可能需要求助于一个循环，就像这样-

from scipy.stats.stats import pearsonr

A = np.random.random([5,5])
B = np.random.random([3,5,5])
C = []
for i in B:
    C.append(pearsonr(A.flatten(), i.flatten())[0])

C = np.array(C)

In [143]: from scipy.stats.stats import pearsonr
     ...: 
     ...: A = np.random.random([5,5])
     ...: B = np.random.random([3,5,5])
     ...: C = []
     ...: for i in B:
     ...:     C.append(pearsonr(A.flatten(), i.flatten())[0])
     ...: 
     ...: C = np.array(C)
     ...: 

In [144]: C
Out[144]: array([ 0.05637413, -0.26749579, -0.08957621])

In [145]: corr2_coeff(A.reshape(1,-1),B.reshape(B.shape[0],-1)).ravel()
Out[145]: array([ 0.05637413, -0.26749579, -0.08957621])

---

这可能是相关的：。您是否可以添加一个我们可以尝试矢量化的工作循环实现？示例添加了@DivakarDid发布的解决方案为您工作？对于如此庞大的数据集，您需要关注内存优化。因此，对B中的i使用一个循环，如So-

[corr2_coeff（A.reformate（1，-1），i.reformate（1，-1）]

。这应该比你的循环版本要好得多。让我知道，如果这对你有效，我会把它添加到我的帖子中，并完成这个问题。