Python 为每个numpy列指定不同的权重

我有以下numpy数组：

from sklearn.decomposition import PCA
from sklearn.preprocessing import normalize
import numpy as np

# NumPy array comprising associate metrics
# i.e. Open TA's, Open SR's, Open SE's
associateMetrics = np.array([[11,  28,  21],
   [27,  17,  20],
   [19,  31,  3],
   [17,  24,  17]]).astype(np.float64)
print("raw metrics=", associateMetrics)

现在，我想为上述数组中的每一列指定不同的权重&稍后将其标准化。例如，假设我想通过乘以5，将第2列乘以3，将最后一列乘以2来为第1列分配更高的权重

如何在python中实现这一点？抱歉，python和numpy有点陌生

我只在一篇专栏文章中尝试过这一点，但它不起作用：

# Assign weights to metrics
weightedMetrics = associateMetrics
np.multiply(2, weightedMetrics[:,0])
print("weighted metrics=", weightedMetrics)

---

你应该利用numpy的。这意味着可以自动扩展低维数组，以对高维（但兼容）数组执行向量化操作。在您的特定情况下，您可以将

（4,3）

形状的数组与

（3，）

形状的1d权重数组相乘，并获得您想要的：

weightedMetrics = associateMetrics * np.array([5,3,2])

诀窍在于，您可以想象numpy

ndarray

s具有领先的单态维度，沿着该维度广播是自动的。我的意思是，您的1d numpy weight数组的形状

（3，）

可以被认为是具有领先的单态维度（但仅从广播的角度来看！）。很容易看出shape

（4,3）

和

（1,3）

的数组应该如何相乘：后者的每个元素都必须用于前者的整列

---

在非常一般的情况下，您甚至可以对shape

（3,1,3,1,4）

数组和shape

（2,3,4,4）

数组进行算术运算。重要的是，满足的维度应该一致，或者其中一个数组在该位置应该有一个单态维度，并且其中一个数组允许更长（在前面）

我找到了答案。这就是我使用的：

print("weighted metrics=", np.multiply([ 1,   2,   3], associateMetrics))