使用Python中的numpy将矩阵转换为密集矩阵列的幂

我试图获得一个矩阵beta VxK中的所有值，乘以密集矩阵VxN中一列Vx1中所有值的幂。所以beta中的每个值都应该是列中相应行的幂，这应该对beta中的所有K列进行。当我使用np.power on python进行测试版的numpy数组实践时，使用：

np.power(head_beta.T, head_matrix[:,0]) 

我能够得到我想要的结果。对于β，尺寸为（3,10），对于头_矩阵[：，0]，尺寸为（10，），在这种情况下，3=K，10=V

然而，如果我在我的实际矩阵上这样做，这是通过使用

matrix=csc_matrix((data,(row,col)), shape=(30784,72407) ).todense()  

如果数据、行和列是数组，我无法执行相同的操作：

np.power(beta.T, matrix[:,0])

其中，β的尺寸为（10，30784），矩阵的尺寸为（30784，1），在这种情况下，10=K，30784=V。我得到以下误差

ValueError                                Traceback (most recent call last)
<ipython-input-29-9f55d4cb9c63> in <module>()
----> 1 np.power(beta.T, matrix[:,0])

ValueError: operands could not be broadcast together with shapes (10,30784) (30784,1) `

ValueError回溯（最近一次调用）
在（）
---->1 np.幂（beta.T，矩阵[：，0]）
ValueError:操作数无法与形状一起广播（1030784）（30784,1）`

---

看起来区别在于矩阵是一个矩阵（长度，1），而head_矩阵实际上是我创建的一个numpy数组（长度）。如何对密集矩阵的列执行相同的操作？

您可以对数组使用

挤压
方法来消除这个额外维度。
所以
np.power（beta.T，matrix[：，0].squeeze（））
应该可以做到这一点。
在问题案例中，它不能播放
（1030784）
和
（30784,1）
。正如您所注意到的，当
（10，N）
与
（N，）
一起使用时，它会起作用。这是因为它可以将
（N，）
扩展到
（1，N）
，然后再扩展到
（10，N）

矩阵总是二维的，所以M（：，0）
是
（N，1）
。有几种溶质

np.power(beta.T, M[:,0].T)  # change to a (1,N)
np.power(beta, M[:,0])      # line up the expandable dimensions

将稀疏矩阵转换为数组：

A = sparse.....toarray()
np.power(beta.T, A[:,0])

M[：，0].squeak（）
和
M[：，0].ravel（）
都生成一个
（1，N）
矩阵。
M[：，0]也是如此。重塑（-1）
。只要返回一个
矩阵
，2d质量是持久的

M[：，0].A1
生成一个（N，）数组

不久前：
从技术上讲，使用
np.matrix
挤压
并没有去除额外的维度，它只是将形状更改为
（1，N）
，就像
ravel
。您的修复
np.power（beta，M[：，0]）
会给出同样的结果吗？不应该是
np.power（beta，M[：，0]）.T
来补偿修改
beta
而不是
beta.T
？是的，
T
之后要精确匹配。
A = sparse.....toarray()
np.power(beta.T, A[:,0])