Python 我可以使用哪个numpy命令多次减去不同维度的向量？

我必须编写这个函数： 其中x是维数为[150,2]的向量，c是[N,2]（假设N=20）。从每个组分席（i＝1,2），我必须用这种方式减去C的成分（[X11-C11，X12C12]）…（（X11-CN1，X12CN2]），用于所有150个样品。 我已经用一种方法把它们变换了，我有相同的维度，我可以减去它们，但是函数的结果应该是一个向量。也许我可以用numpy写这个？ 非常感谢。 好，假设x=（5,2）和c=（3,2）

---

这是我得到的两个数组的变换维数。问题是，我必须这样做，但要使用迭代“for循环”，因为exp函数应该给我一个向量作为结果。因此，我必须获得一种被划分为N个块的矩阵。

我理解，如果这能给出预期的结果，那么尝试一下，但仍然存在一个问题，即结果的形状与

x

相同：

import numpy as np

x = np.arange(10).reshape(5,2)
c = np.arange(6).reshape(3,2)

c_col_sum = np.sum(c, axis=0)

for (h,k), value in np.ndenumerate(x):
  x[h,k] = c.shape[0] * x[h,k] - c_col_sum[k]

最初

x

是：

[[0 1]
 [2 3]
 [4 5]
 [6 7]
 [8 9]]

[[0 1]
 [2 3]
 [4 5]]

而

c

是：

[[0 1]
 [2 3]
 [4 5]
 [6 7]
 [8 9]]

[[0 1]
 [2 3]
 [4 5]]

函数

x

变为：

[[-6 -6]
 [ 0  0]
 [ 6  6]
 [12 12]
 [18 18]]

---

从我对这个问题的理解来看，问题似乎在于计算向量范数的方式，而不是减法。使用您的示例，但计算

exp（-x-c）

，请尝试：

x = np.linspace(8,17,10).reshape((5,2))
c = np.linspace(1,6,6).reshape((3,2))
sub = np.linalg.norm(x[:,None] - c, axis=-1)
np.exp(-sub)

array([[  5.02000299e-05,   8.49325705e-04,   1.43695961e-02],
       [  2.96711024e-06,   5.02000299e-05,   8.49325705e-04],
        [  1.75373266e-07,   2.96711024e-06,   5.02000299e-05],
        [  1.03655678e-08,   1.75373266e-07,   2.96711024e-06],
        [  6.12664624e-10,   1.03655678e-08,   1.75373266e-07]])

np.exp(-sub).shape
(5, 3)

---

将尝试在其输入的所有维度上返回某种矩阵范数，除非您明确告诉它哪个轴表示向量分量。

那么您只是从x的第一行减去？你能为x形（5,2）和c形（3,2）添加示例数据吗？我想你需要在x中添加另一个轴来解释向量

c

：即

x[：，None]-c

，以给出一个形状数组

（150,20,2）

iGian我添加了一个示例：）对于矩阵的元素1,1，你指的是

（8-1）+（8-5）

？无论如何，结果似乎仍然是一个具有相同形状x的矩阵……您可能需要类似于

（x[：，None，：]-c）的东西。重塑（-1,2）

。如果不进行重塑，您将有150块

（N，2）

数组，如

res[0，…]

。