使用numpy廣播減去二維陣列

一般來說，我是 numpy 的新手，所以這是一個簡單的問題，但我不知道如何解決它。
我正在嘗試實作 K 最近鄰演算法來分類資料集

有名為new_points和point的陣列分別具有(30,4) 和 (120,4)的形狀（其中 4 是每個元素的屬性總數）
所以我試圖計算每個元素之間的距離使用numpy.broadcasting的新點和所有舊點

def calc_no_loop(new_points, points):
  return np.sum((new_points-points)**2,axis=1)
#doesn't work here is log 

ValueError：運算元無法與形狀一起廣播 (30,4) (120,4)

但是，根據廣播兩個形狀陣列 (30,4) 和 (120,4) 的規則是不兼容的，所以我將不勝感激有關如何解決這個問題的任何見解（使用 .reshape prehaps - 不確定）

請注意：我已經使用一個和兩個回圈實作了相同的功能，但沒有一個就無法實作

def calc_two_loops(new_points, points):
m, n = len(new_points), len(points)
d = np.zeros((m, n))
for i in range(m):
    for j in range(n):
        
        d[i, j] = np.sum((new_points[i] - points[j])**2)
return d


def calc_one_loop(new_points, points):
m, n = len(new_points), len(points)    
d = np.zeros((m, n))
print(d)
for i in range(m):
    d[i] = np.sum((new_points[i] - points)**2)
return d

uj5u.com熱心網友回復：

讓我們創建一個較小的示例：

nNew = 3; nOld = 5    # Number of new / old points
# New points
new_points = np.arange(100, 100   nNew * 4).reshape(nNew, 4)
# Old points
points = np.arange(10, 10   nOld * 8, 2).reshape(nOld, 4)

要單獨計算差異，請運行：

dfr = new_points[:, np.newaxis, :] - points[np.newaxis, :, :]

到目前為止，我們在每個點的每個屬性上都有差異（每個新點與每個舊點）。

dfr的形狀是(3, 5, 4)：

• 第一維：新點的數量，
• 第二維：老點數，
• 第三個維度：每個屬性的差異。

然后，按點求差平方和，運行：

d = np.power(dfr, 2).sum(axis=2)

這就是你的結果。

對于我的樣本資料，結果是：

array([[31334, 25926, 21030, 16646, 12774],
       [34230, 28566, 23414, 18774, 14646],
       [37254, 31334, 25926, 21030, 16646]], dtype=int32)

uj5u.com熱心網友回復：

所以你有 30 個新點和 120 個舊點，所以如果我理解正確，你想要一個 shape(120,30) 距離陣列結果。

你可以做

import numpy as np

points = np.random.random(120*4).reshape(120,4)
new_points = np.random.random(30*4).reshape(30,4)

def calc_no_loop(new_points, points):
    res = np.zeros([len(points[:,0]),len(new_points[:,0])])
    for idx in range(len(points[:,0])):
        res[idx,:] = np.sum((points[idx,:]-new_points)**2,axis=1)
    return np.sqrt(res)

test = calc_no_loop(new_points,points)
print(np.shape(test))
print(test)

這使

(120, 30)
[[0.67166838 0.78096694 0.94983683 ... 1.00960301 0.48076185 0.56419991]
 [0.88156338 0.54951826 0.73919191 ... 0.87757896 0.76305462 0.52486626]
 [0.85271938 0.56085692 0.73063341 ... 0.97884167 0.90509791 0.7505591 ]
 ...
 [0.53968258 0.64514941 0.89225849 ... 0.99278462 0.31861253 0.44615026]
 [0.51647526 0.58611128 0.83298535 ... 0.86669406 0.64931403 0.71517123]
 [1.08515826 0.64626221 0.6898687  ... 0.96882542 1.08075076 0.80144746]]

但是從您上面的函式名稱中，我得到了您不想要回圈的概念？然后你可以這樣做：

def calc_no_loop(new_points, points):
    new_points1 = np.repeat(new_points[np.newaxis,...],len(points),axis=0)
    points1 = np.repeat(points[:,np.newaxis,:],len(new_points),axis=1)
    return np.sqrt(np.sum((new_points-points1)**2 ,axis=2))

test = calc_no_loop(new_points,points)
print(np.shape(test))
print(test)

有輸出：

(120, 30)
[[0.67166838 0.78096694 0.94983683 ... 1.00960301 0.48076185 0.56419991]
 [0.88156338 0.54951826 0.73919191 ... 0.87757896 0.76305462 0.52486626]
 [0.85271938 0.56085692 0.73063341 ... 0.97884167 0.90509791 0.7505591 ]
 ...
 [0.53968258 0.64514941 0.89225849 ... 0.99278462 0.31861253 0.44615026]
 [0.51647526 0.58611128 0.83298535 ... 0.86669406 0.64931403 0.71517123]
 [1.08515826 0.64626221 0.6898687  ... 0.96882542 1.08075076 0.80144746]]

即相同的結果。請注意，我將 np.sqrt() 添加到您可能在上面的示例中忘記的結果中。

標籤：Python 数组 麻木的 数据科学

上一篇：矩陣預處理的錯誤元組索引超出范圍

下一篇：基于列中資料的Numpy2D到3D陣列