Làm thế nào để chuẩn hóa mảng numpy 2 chiều trong python ít tiết hơn?

Cho một mảng 3 lần 3 numpy

a = numpy.arange(0,27,3).reshape(3,3)

# array([[ 0,  3,  6],
#        [ 9, 12, 15],
#        [18, 21, 24]])

Để chuẩn hóa các hàng của mảng 2 chiều tôi đã nghĩ đến

row_sums = a.sum(axis=1) # array([ 9, 36, 63])
new_matrix = numpy.zeros((3,3))
for i, (row, row_sum) in enumerate(zip(a, row_sums)):
    new_matrix[i,:] = row / row_sum

Phải có một cách tốt hơn, phải không?

Có lẽ để làm rõ: Ý tôi là bằng cách chuẩn hóa, tổng các mục nhập trên mỗi hàng phải là một. Nhưng tôi nghĩ điều đó sẽ rõ ràng với hầu hết mọi người.

Phát sóng thực sự tốt cho điều này:

row_sums = a.sum(axis=1)
new_matrix = a / row_sums[:, numpy.newaxis]

row_sums[:, numpy.newaxis]định hình lại row_sums từ hiện (3,)hữu (3, 1). Khi bạn làm a / b, avà bđược phát sóng chống lại nhau.

Bạn có thể tìm hiểu thêm về phát sóng tại đây hoặc thậm chí tốt hơn tại đây .

Scikit-learning có chức năng chuẩn hóa cho phép bạn áp dụng nhiều cách chuẩn hóa khác nhau. "Làm cho nó tổng thành 1" là tiêu chuẩn L1 và để thực hiện điều đó:

from sklearn.preprocessing import normalize
matrix = numpy.arange(0,27,3).reshape(3,3).astype(numpy.float64)

#array([[  0.,   3.,   6.],
#   [  9.,  12.,  15.],
#   [ 18.,  21.,  24.]])

normed_matrix = normalize(matrix, axis=1, norm='l1')

#[[ 0.          0.33333333  0.66666667]
#[ 0.25        0.33333333  0.41666667]
#[ 0.28571429  0.33333333  0.38095238]]

Bây giờ các hàng của bạn sẽ tổng thành 1.

Tôi nghĩ rằng điều này sẽ làm việc,

a = numpy.arange(0,27.,3).reshape(3,3)

a /=  a.sum(axis=1)[:,numpy.newaxis]

Trong trường hợp bạn đang cố gắng chuẩn hóa mỗi hàng sao cho độ lớn của nó là một (nghĩa là độ dài đơn vị của hàng là một hoặc tổng bình phương của mỗi phần tử trong hàng là một):

import numpy as np

a = np.arange(0,27,3).reshape(3,3)

result = a / np.linalg.norm(a, axis=-1)[:, np.newaxis]
# array([[ 0.        ,  0.4472136 ,  0.89442719],
#        [ 0.42426407,  0.56568542,  0.70710678],
#        [ 0.49153915,  0.57346234,  0.65538554]])

Đang xác minh:

np.sum( result**2, axis=-1 )
# array([ 1.,  1.,  1.]) 

Tôi nghĩ bạn có thể bình thường hóa các yếu tố hàng sum tới 1 của thành viên này: new_matrix = a / a.sum(axis=1, keepdims=1). Và việc chuẩn hóa cột có thể được thực hiện với new_matrix = a / a.sum(axis=0, keepdims=1). Hy vọng điều này có thể hep.

Bạn có thể sử dụng hàm numpy tích hợp sẵn: np.linalg.norm(a, axis = 1, keepdims = True)

có vẻ như điều này cũng hoạt động

def normalizeRows(M):
    row_sums = M.sum(axis=1)
    return M / row_sums

Bạn cũng có thể sử dụng chuyển vị ma trận:

(a.T / row_sums).T

Hoặc sử dụng hàm lambda, như

>>> vec = np.arange(0,27,3).reshape(3,3)
>>> import numpy as np
>>> norm_vec = map(lambda row: row/np.linalg.norm(row), vec)

mỗi vector của vec sẽ có một định mức đơn vị.

normed_matrix = normalize(input_data, axis=1, norm='l1')
print(normed_matrix)

trong đó input_data là tên mảng 2D của bạn