Python 我怎样才能解决这个问题？

我试图从np直方图得到的数组中计算熵

mu1, sigma1 = 0, 1
s1 = np.random.normal(mu1, sigma1, 100000)
hist1 = np.histogram(s1, bins=100, range=(-20,20), density=True)
data1 = hist1[0]
ent1 = -(data1*np.log(np.abs(data1))).sum() 

---

但是，这个ent1将返回nan。这里有什么问题

问题是直方图中的概率为零，这在应用香农熵公式时没有数字意义。解决办法是忽略零概率

mu1, sigma1 = 0, 1
s1 = np.random.normal(mu1, sigma1, 100000)
hist1 = np.histogram(s1, bins=100, range=(-20,20), density=True)
data1 = hist1[0]
non_zero_data = data1[data1 != 0]
ent1 = -(non_zero_data*np.log(np.abs(non_zero_data))).sum() 

---

要计算熵，可以使用。比如说,

In [147]: from scipy.special import entr

In [148]: x = np.array([3, 2, 1, 0, 0.5, 2.5, 5])

In [149]: entr(x).sum()
Out[149]: -14.673474028700136

为了检查该结果，我们还可以使用以下公式计算熵：

最后，我们可以验证这与您预期的结果相同：

In [152]: xnz = x[x != 0]

In [153]: -(xnz*np.log(xnz)).sum()
Out[153]: -14.673474028700136

---

data1

中的值为零值，且未定义日志（0），因此返回nan。非常感谢！终于开始了。：）我也尝试过使用spice.stats.entropy，但是我发现它们的值是不同的？尽管有同样的公式？不用担心。使用

spick.stats.entropy

时要小心，因为它将值标准化，对于元素熵，请使用@watten weckesser解释的

scipy.special.entr

。@MateusZitelli实际上零概率对于Shannons熵来说是有意义的，但您必须将

0*log（0）

解释为零。这是有意义的，因为

p

的

p*log（p）

的极限为零，这是解释

0*log（0）

的唯一合理方法。

In [152]: xnz = x[x != 0]

In [153]: -(xnz*np.log(xnz)).sum()
Out[153]: -14.673474028700136