Python Numpy：将每行除以一个向量元素

假设我有一个numpy数组：

data = np.array([[1,1,1],[2,2,2],[3,3,3]])

我有一个对应的“向量”：

如何沿每行对

数据

进行减法或除法运算，结果如下：

sub_result = [[0,0,0], [0,0,0], [0,0,0]]
div_result = [[1,1,1], [1,1,1], [1,1,1]]

---

长话短说：如何使用与每行对应的一维标量数组对二维数组的每一行执行操作？

给你。您只需将

None

（或者

np.newaxis

）与广播结合使用即可：

In [6]: data - vector[:,None]
Out[6]:
array([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])

In [7]: data / vector[:,None]
Out[7]:
array([[1, 1, 1],
       [1, 1, 1],
       [1, 1, 1]])

data:            3 x 3
vector:              3
vector reshaped: 3 x 1

---

如前所述，使用

None

或

np.newaxes

进行切片是一种很好的方法。 另一种选择是使用转置和广播，如

(data.T - vector).T

及

对于高维数组，您可能需要使用NumPy数组的

swapaxes

方法或NumPy

rollaxis

函数。 有很多方法可以做到这一点

有关广播的更详细说明，请参阅

---

JoshAdel的解决方案使用np.newaxis添加维度。另一种选择是使用

执行重塑（）可使尺寸对齐以进行广播：

In [6]: data - vector[:,None]
Out[6]:
array([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])

In [7]: data / vector[:,None]
Out[7]:
array([[1, 1, 1],
       [1, 1, 1],
       [1, 1, 1]])

data:            3 x 3
vector:              3
vector reshaped: 3 x 1

请注意，

data/vector

是可以的，但它不能得到您想要的答案。它将

数组

的每一列（而不是每一行）除以

向量

的每个对应元素。如果您明确地将

vector

重塑为

1x3

，而不是

3x1

，您将得到这样的结果

data / vector
# array([[1, 0, 0],
#        [2, 1, 0],
#        [3, 1, 1]])
data / vector.reshape((1,3))
# array([[1, 0, 0],
#        [2, 1, 0],
#        [3, 1, 1]])

---

蟒蛇式的方法是

np.divide(data.T,vector).T

这需要重新塑造形状，并且结果是浮点格式的。 在其他答案中，结果采用舍入整数格式

---

#注意：数据和向量中的列数应匹配

添加到stackoverflowuser2010的答案中，在一般情况下，您可以使用

data = np.array([[1,1,1],[2,2,2],[3,3,3]])

vector = np.array([1,2,3])

data / vector.reshape(-1,1)

---

这会将向量转换为

列矩阵/向量

。允许您按照自己的意愿执行元素操作。至少对我来说，这是最直观的方法，因为（在大多数情况下）numpy只会使用同一内存的视图进行重塑，这也是有效的。

关键是将大小为（3，）到（3,1）的向量重塑：将每行除以一个元素或（1,3）：将每列除以一个元素。由于data.shape与vector.shape不对应，NumPy会自动将vector的形状扩展为（3,3），并按元素执行除法

[1]中的

：数据/向量。重塑（-1,1）
出[1]：
数组（[[1,1,1.]，
[1., 1., 1.],
[1., 1., 1.]])
[2]中：数据/向量。重塑（1，-1）
出[2]：
数组（[[1,0.5,0.33333]，
[2.        , 1.        , 0.66666667],
[3.        , 1.5       , 1.        ]])

类似的：

x=np.arange（9）.重塑（3,3）
x
数组（[[0,1,2]，
[3, 4, 5],
[6, 7, 8]])
x/np.sum（x，axis=0，keepdims=True）
数组（[[0,0.08333,0.1333333]，
[0.33333333, 0.33333333, 0.33333333],
[0.66666667, 0.58333333, 0.53333333]])
x/np.sum（x，axis=1，keepdims=True）
数组（[[0,0.33333333,0.66666 7]，
[0.25      , 0.33333333, 0.41666667],
[0.28571429, 0.33333333, 0.38095238]])
打印（np.sum（x，轴=0.shape）
打印（np.sum（x，轴=1.shape）
打印（np.sum（x，axis=0，keepdims=True）.shape）
打印（np.sum（x，轴=1，keepdims=True）.shape）
(3,)
(3,)
(1, 3)
(3, 1)

是使用最新版本numpy（1.18.1）的doc.a@user108569，

None

仍然与

np.newaxis

等效。我不确定您的设置是什么，或者您遇到的确切问题，但答案仍然有效。注意：这不符合OP的要求。最终结果是数组（[[1,0.5,0.33333333]，[2,1,0.66666 7]，[3,1.5,1.]）。它可能是“蟒蛇式的”，但它是不正确的。@MarkCramer谢谢你。我已经更正了我的答案以提供正确的结果。这应该是可以接受的答案。使用

.reformate（-1,1）

创建列向量是使用广播最直观的方法。

data = np.array([[1,1,1],[2,2,2],[3,3,3]])

vector = np.array([1,2,3])

data / vector.reshape(-1,1)