Python 使用掩码的Scipy NNLS

我正在使用scipy执行非负最小二乘。一个简单的例子如下：

import numpy as np
from scipy.optimize import nnls

A = np.array([[60, 70, 120, 60],[60, 90, 120, 70]], dtype='float32')
b = np.array([6, 5])
x, res = nnls(A, b)

现在，我遇到了一种情况，

a

或

b

中的一些条目可能会丢失（

np.NaN

）。大概

A_2 = A.copy()
A_2[0,2] = np.NaN

当然，在A_2，b上运行NNLS将不起作用，因为scipy不希望出现

inf

或

nan

我们如何执行NNLS来掩盖计算中缺少的条目。实际上，这应该转化为

Minimize |(A_2.x- b)[mask]|

其中，掩码可定义为：

mask = ~np.isnan(A_2)

通常，

A

和

b

中的条目都可能丢失

可能有帮助：

---

[1]

我认为您可以先计算掩码（确定要包括哪些点），然后执行NNLS。假面

In []: mask
Out[]: 
array([[ True,  True, False,  True],
       [ True,  True,  True,  True]], dtype=bool)

通过沿第一个轴使用

np.all

检查列中的所有值是否为

True

，可以验证是否包括点

In []: np.all(mask, axis=0)
Out[]: array([ True,  True, False,  True], dtype=bool)

然后可以将其用作

a

的列掩码

In []: nnls(A_2[:,np.all(mask, axis=0)], b)
Out[]: (array([ 0.09166667,  0.        ,  0.        ]), 0.7071067811865482)

---

同样的想法也可以用于

b

来构造行掩码。

谢谢。这太完美了！