设计矩阵函数的Matlab到Python转换

去年，我在Matlab中为线性回归程序中的设计矩阵编写了一个代码。它很好用。现在，我需要将其转换为Python并在Pycharm中运行。我已经做了好几天了，虽然我对Python真的很陌生，但我在翻译中找不到任何错误，但在代码与程序的其余部分一起运行时，我遇到了一个错误

matlab中的代码：

function DesignMatrix = design_matrix( xTrain, M )
% This function calculates the Design Matrix for
% a M-th degree polynomial
% xTrain - training set Nx1
% M - polynomial degree 0,1,2,...

N = size(xTrain,1);
DesignMatrix = zeros(N,M+1); 
for i=1:M+1
  DesignMatrix(:,i)=xTrain.^(i-1)
end
end

我的Python翻译（np代表numpy，它是导入的）：

错误指向这一行：

desm[：，i]=np.power（x_列，（i-1））

，这是一个值错误。我尝试使用在线翻译ompc，但它似乎已经过时，因为它不适合我。如果我的翻译中有任何明显的错误，谁能给我解释一下吗？我知道这是一个更大程序的一部分，但我要问的只是语法翻译本身。如果它是正确的，我将尝试找出任何其他错误，尽管我到目前为止没有发现任何错误。多谢各位

编辑：回溯

ERROR: test_design_matrix (test.TestDesignMatrix)
----------------------------------------------------------------------
Traceback (most recent call last):
  File "...\test.py", line 61, in test_design_matrix
    dm_computed = design_matrix(x_train, M)
  File "...\content.py", line 34, in design_matrix
    desm[:,i] = np.power(x_train, (i-1))
ValueError: could not broadcast input array from shape (20,1) into shape (20)

我无法更改test.py文件，它是提供给我的，无法更改，因此我只依赖第二个错误

从给出错误的函数的test.py中摘录：

def test_design_matrix(self):
    x_train = TEST_DATA['design_matrix']['x_train']
    M = TEST_DATA['design_matrix']['M']
    dm = TEST_DATA['design_matrix']['dm']
    dm_computed = design_matrix(x_train, M)
    max_diff = np.max(np.abs(dm - dm_computed))
    self.assertAlmostEqual(max_diff, 0, 8)

我看到三个错误：

• 在Python中，索引从零开始

• 要为阵列的所有项目供电，可以使用

  **

  操作符

• pass

  不执行任何操作，因为它放在

  return

  语句之后。函数从未达到这一点

我想试试这个：

def design_matrix(x_train,M):
    '''
    :param x_train: input vector Nx1
    :param M: polynomial degree 0,1,2,...
    :return: Design Matrix Nx(M+1) for M degree polynomial
    '''
    desm = np.zeros(shape =(len(x_train), M+1))
    for i in range(0, M+1):
        desm[:,i] = x_train.squeeze() ** (i-1)
    return desm

你能试试这个吗

def design_matrix(x_train,M):
    '''
    :param x_train: input vector Nx1
    :param M: polynomial degree 0,1,2,...
    :return: Design Matrix Nx(M+1) for M degree polynomial
    '''
    x_train = np.asarray(x_train)
    desm = np.zeros(shape =(len(x_train), M+1))
    for i in range(0, M+1):
        desm[:,i] = np.power(x_train, i).reshape(x_train.shape[0],)
    return desm

---

错误来自不兼容的Numpy数组维度。desm[：，i]具有形状（n，），但您试图存储到它的值具有形状（n，1），因此您需要将其重塑为（n，）。此外，正如GLR所提到的，Python索引从0开始，因此您需要修改索引，函数执行在返回行停止，因此根本达不到传递行。

您可能有兴趣知道，您可以使用patsy语言和模块为多项式回归创建正交设计矩阵

>>> import numpy as np
>>> from patsy import dmatrices, dmatrix, demo_data, Poly
>>> data = demo_data("a", "b", "x1", "x2", "y", "z column")
>>> dmatrix('C(x1, Poly)', data)
DesignMatrix with shape (8, 8)
Columns:
['Intercept', 'C(x1, Poly).Linear', 'C(x1, Poly).Quadratic', 'C(x1, Poly).Cubic', 'C(x1, Poly)^4', 'C(x1, Poly)^5', 'C(x1, Poly)^6', 'C(x1, Poly)^7']
Terms:
'Intercept' (column 0), 'C(x1, Poly)' (columns 1:8)
(to view full data, use np.asarray(this_obj))
>>> dm = dmatrix('C(x1, Poly)', data)
>>> np.asarray(dm)
array([[ 1.        ,  0.23145502, -0.23145502, -0.43082022, -0.12087344,
         0.36376642,  0.55391171,  0.35846409],
       [ 1.        , -0.23145502, -0.23145502,  0.43082022, -0.12087344,
        -0.36376642,  0.55391171, -0.35846409],
       [ 1.        ,  0.07715167, -0.38575837, -0.18463724,  0.36262033,
         0.32097037, -0.30772873, -0.59744015],
       [ 1.        ,  0.54006172,  0.54006172,  0.43082022,  0.28203804,
         0.14978617,  0.06154575,  0.01706972],
       [ 1.        ,  0.38575837,  0.07715167, -0.30772873, -0.52378493,
        -0.49215457, -0.30772873, -0.11948803],
       [ 1.        , -0.54006172,  0.54006172, -0.43082022,  0.28203804,
        -0.14978617,  0.06154575, -0.01706972],
       [ 1.        , -0.07715167, -0.38575837,  0.18463724,  0.36262033,
        -0.32097037, -0.30772873,  0.59744015],
       [ 1.        , -0.38575837,  0.07715167,  0.30772873, -0.52378493,
         0.49215457, -0.30772873,  0.11948803]])

---

你能添加回溯以便我们能看到有关错误的更多详细信息吗？当然，刚刚添加。你能添加test\u design\u matrix的代码块以便我们能看到你是如何调用design\u matrix的吗？现在就在上面。我试过了，但得到的错误与之前相同。在接下来的尝试中，我将保持pass被删除，索引为零。请尝试编辑。问题是x_列是一个矩阵（它有两个维度），当你做desm[：，i]时，你正在访问一个数组。为了消除不必要的维度，您可以使用

压缩

。不幸的是，仍然不起作用，我尝试了它，但现在它说这是一个失败而不是错误，我得到了以下回溯：文件“…\test.py”，第63行，在test\u design\u matrix self.assertAlmostEqual（max\u diff，0，8）断言错误：22357.537052901051！=8个位置内为0。我猜这是一个计算错误？这个错误是因为

max_diff

与零非常不同。我会尝试在一个交互式Python会话中加载

dm

（在

test.py

中），看看那里发生了什么。对不起，我对Python真的很陌生。。。您是说问题会出现在该函数的test.py文件中吗？我开始认为可能是这样的。我试过了，并且理解了变化，但我还是得到了和以前一样的错误：（嗯。所以你仍然得到了ValueError:无法将输入数组从形状（20,1）广播到形状（20）？是的，就是这个。你能试一下desm[：，I]=np.power（x_-train，I）。重塑（x_-train.shape[0]，1）吗唉，什么都没有改变。仍然是相同的错误，只有相同的值，（20，1）和（20）

>>> import numpy as np
>>> from patsy import dmatrices, dmatrix, demo_data, Poly
>>> data = demo_data("a", "b", "x1", "x2", "y", "z column")
>>> dmatrix('C(x1, Poly)', data)
DesignMatrix with shape (8, 8)
Columns:
['Intercept', 'C(x1, Poly).Linear', 'C(x1, Poly).Quadratic', 'C(x1, Poly).Cubic', 'C(x1, Poly)^4', 'C(x1, Poly)^5', 'C(x1, Poly)^6', 'C(x1, Poly)^7']
Terms:
'Intercept' (column 0), 'C(x1, Poly)' (columns 1:8)
(to view full data, use np.asarray(this_obj))
>>> dm = dmatrix('C(x1, Poly)', data)
>>> np.asarray(dm)
array([[ 1.        ,  0.23145502, -0.23145502, -0.43082022, -0.12087344,
         0.36376642,  0.55391171,  0.35846409],
       [ 1.        , -0.23145502, -0.23145502,  0.43082022, -0.12087344,
        -0.36376642,  0.55391171, -0.35846409],
       [ 1.        ,  0.07715167, -0.38575837, -0.18463724,  0.36262033,
         0.32097037, -0.30772873, -0.59744015],
       [ 1.        ,  0.54006172,  0.54006172,  0.43082022,  0.28203804,
         0.14978617,  0.06154575,  0.01706972],
       [ 1.        ,  0.38575837,  0.07715167, -0.30772873, -0.52378493,
        -0.49215457, -0.30772873, -0.11948803],
       [ 1.        , -0.54006172,  0.54006172, -0.43082022,  0.28203804,
        -0.14978617,  0.06154575, -0.01706972],
       [ 1.        , -0.07715167, -0.38575837,  0.18463724,  0.36262033,
        -0.32097037, -0.30772873,  0.59744015],
       [ 1.        , -0.38575837,  0.07715167,  0.30772873, -0.52378493,
         0.49215457, -0.30772873,  0.11948803]])