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

Question

Cho một 3 lần 3 NumPy mảng

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

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

Để bình thường hóa các hàng của mảng 2 chiều tôi nghĩ

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 

Có phải là một cách tốt hơn, chứ không phải là có?

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

Answer 1

Broadcasting là thực sự tốt cho việc này:

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

row_sums[:, numpy.newaxis] reshapes row_sums từ việc (3,) để trở thành (3, 1). Khi bạn làm a/b, a và b được phát sóng với nhau.

Bạn có thể tìm hiểu thêm về phát sónghere hoặc thậm chí tốt hơn here.

Answer 2

Tôi nghĩ rằng điều này sẽ làm việc,

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

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

Answer 3

Scikit-học có chức năng bình thường hóa cho phép bạn áp dụng normalizations khác nhau. Các "làm cho nó tổng hợp để 1" là chuẩn mực L1, và lấy đó làm:

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 hàng của bạn sẽ tổng hợp để 1.

Answer 4

Trong trường hợp bạn đang cố gắng để bình thường hóa mỗi hàng như vậy mà nó độ lớn là một (tức là đơn vị chiều dài của một hàng là một hoặc tổng của bình phương của mỗi phần tử trong một 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]]) 

Xác minh:

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

Answer 5

nó xuất hiện rằng điều này cũng làm việc

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

Answer 6

Hoặc sử dụng chức năng 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 chuẩn mực đơn vị.

Answer 7

Bạn cũng có thể sử dụng ma trận chuyển vị:

(a.T/row_sums).T