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:Python 使用掩码的Scipy NNLS,python,numpy,optimization,scipy,lmfit,Python,Numpy,Optimization,Scipy,Lmfit,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[
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!