在python中沿特定轴广播操作
在python中,假设我有一个大小为nxn的正方形在python中沿特定轴广播操作,python,arrays,numpy,matrix,array-broadcasting,Python,Arrays,Numpy,Matrix,Array Broadcasting,在python中,假设我有一个大小为nxn的正方形numpy矩阵X,我有一个大小为n的numpy向量a 非常简单,我想执行X-a的广播减法,但我想能够指定沿哪个维度,以便可以指定减法沿轴0或轴1 如何指定轴?让我们用随机元素生成数组 投入: In [62]: X Out[62]: array([[ 0.32322974, 0.50491961, 0.40854442, 0.36908488], [ 0.58840196, 0.1696713 , 0.75428203,
numpy
矩阵X,我有一个大小为n的numpy
向量a
非常简单,我想执行X-a的广播减法,但我想能够指定沿哪个维度,以便可以指定减法沿轴0或轴1
如何指定轴?让我们用随机元素生成数组 投入:
In [62]: X
Out[62]:
array([[ 0.32322974, 0.50491961, 0.40854442, 0.36908488],
[ 0.58840196, 0.1696713 , 0.75428203, 0.01445901],
[ 0.27728281, 0.33722084, 0.64187916, 0.51361972],
[ 0.39151808, 0.6883594 , 0.93848072, 0.48946276]])
In [63]: a
Out[63]: array([ 0.01278876, 0.01854458, 0.16953393, 0.37159562])
I.沿轴的减法=1
让我们沿着axis=1
进行减法,也就是说,我们要从X
的第一行、第二行X
中减去a
,依此类推。为了便于检查正确性,我们只使用X
的第一行:
In [64]: X[0] - a
Out[64]: array([ 0.31044099, 0.48637503, 0.23901049, -0.00251074])
In [67]: X[:,0]-a
Out[67]: array([ 0.31044099, 0.56985738, 0.10774888, 0.01992247])
深入到那里,那里发生的是:
X[0,0] - a[0], X[0,1] - a[1], X[0,2] - a[2] , X[0,3] - a[3]
X[0,0] - a[0], X[1,0] - a[1], X[2,0] - a[2] , X[3,0] - a[3]
因此,我们将X
的第二个轴与a
的第一个轴进行匹配。由于,X
是2D
和a
是1D
,两者都已对齐:
X : n x n
a : n
因此,我们只需执行X-a
即可获得所有减法:
In [65]: X-a
Out[65]:
array([[ 0.31044099, 0.48637503, 0.23901049, -0.00251074],
[ 0.5756132 , 0.15112672, 0.5847481 , -0.3571366 ],
[ 0.26449405, 0.31867625, 0.47234523, 0.1420241 ],
[ 0.37872932, 0.66981482, 0.76894679, 0.11786714]])
In [68]: X-a[:,None]
Out[68]:
array([[ 0.31044099, 0.49213085, 0.39575566, 0.35629612],
[ 0.56985738, 0.15112672, 0.73573745, -0.00408557],
[ 0.10774888, 0.16768691, 0.47234523, 0.34408579],
[ 0.01992247, 0.31676379, 0.5668851 , 0.11786714]])
最后,看看我们是否有X[0]-a
在这里
重要提示:这里需要注意的是a
元素沿着一个轴,沿着该轴进行减法,广播沿着另一个轴进行。因此,在这种情况下,即使减法沿着轴=1
进行,a
的元素也将沿着轴=0
进行广播
II。沿轴的减法=0
类似地,让我们沿着轴=0
进行减法,即,我们要从X
的第一列、第二列X
中减去a
,依此类推。为了便于检查正确性,我们只使用X
的第一列:
In [64]: X[0] - a
Out[64]: array([ 0.31044099, 0.48637503, 0.23901049, -0.00251074])
In [67]: X[:,0]-a
Out[67]: array([ 0.31044099, 0.56985738, 0.10774888, 0.01992247])
深入到那里,那里发生的是:
X[0,0] - a[0], X[0,1] - a[1], X[0,2] - a[2] , X[0,3] - a[3]
X[0,0] - a[0], X[1,0] - a[1], X[2,0] - a[2] , X[3,0] - a[3]
因此,我们将X
的第一个轴与a
的第一个轴进行匹配。由于,X
是2D
而a
是1D
,我们需要将a
扩展到2D
,并使用a[:,None]
保持所有元素沿其第一轴:
X : n x n
a[:,None] : n x 1
因此,我们使用X-a[:,None]
来获得所有减法:
In [65]: X-a
Out[65]:
array([[ 0.31044099, 0.48637503, 0.23901049, -0.00251074],
[ 0.5756132 , 0.15112672, 0.5847481 , -0.3571366 ],
[ 0.26449405, 0.31867625, 0.47234523, 0.1420241 ],
[ 0.37872932, 0.66981482, 0.76894679, 0.11786714]])
In [68]: X-a[:,None]
Out[68]:
array([[ 0.31044099, 0.49213085, 0.39575566, 0.35629612],
[ 0.56985738, 0.15112672, 0.73573745, -0.00408557],
[ 0.10774888, 0.16768691, 0.47234523, 0.34408579],
[ 0.01992247, 0.31676379, 0.5668851 , 0.11786714]])
最后,看看我们是否有
X[:,0]-前面获得的在这里。从两个不同的维度开始(至少在标签中)
X
shape(n,m)
a
shape(n,)
b
shape(m,)
将这些方法结合起来的方法有:
(n,m)-(n,) => (n,m)-(n,1) => (n,m)
X - a[:,None]
(n,m)-(m,) => (n,m)-(1,m) => (n,m)
X - b[None,:]
X - b # [None,:] is automatic, if needed.
基本点是,当数字维度不同时,numpy
可以在开始时添加新维度,但必须明确在结束时添加新维度
或者将2个1d阵列组合到一个外部产品中(区别):
如果没有这些规则,a-b
可能会导致(n,m)
或(m,n)
或其他情况
并具有2个匹配长度数组:
(n,) - (n,) => (n,)
a - a
或
=============
要编写一个采用轴
参数的函数,可以使用np.expand\u dims
:
In [220]: np.expand_dims([1,2,3],0)
Out[220]: array([[1, 2, 3]]) # like [None,:]
In [221]: np.expand_dims([1,2,3],1)
Out[221]: # like [:,None]
array([[1],
[2],
[3]])
def foo(X, a, axis=0):
return X - np.expand_dims(a, axis=axis)
用作:
In [223]: foo(np.eye(3),[1,2,3],axis=0)
Out[223]:
array([[ 0., -2., -3.],
[-1., -1., -3.],
[-1., -2., -2.]])
In [224]: foo(np.eye(3),[1,2,3],axis=1)
Out[224]:
array([[ 0., -1., -1.],
[-2., -1., -2.],
[-3., -3., -2.]])
您保持a
与axis=1
相同。为axis=0
添加带有a[:,无]
的新轴。这一切都是关于沿着这个轴推动元素。这种方法的问题是,当X轴的数量在开始时未知时,它并不真正起作用。另外,如果X有7个维度,那么写X-a[:,无,无,无,无,无]
看起来非常错误。此外,您可以使用np.newaxis
而不是None
,以提高可读性。@Hyperplane要添加n
维度,可以使用a[(…,*([None]*n])
。来解释这里发生了什么:用于索引的元组;省略号…
用于扩展所有现有维度;将[None]
乘以n
次None
;用前导的*
解包None
s列表。顺便说一句,我更喜欢np.newaxis
而不是None