问题标签 [array-broadcasting]

我有两个 numpy 数组，一个形状为 (3000,)，另一个是 20 个 3000 x 3000 矩阵的数组，即形状 (20, 3000, 3000)

我正在做一个 numpy dot 产品。

这行得通，输出dotprod1是一个形状为 (20, 3000) 的数组。

但是，如果我想再次使用点积怎么办？

这给出了一个错误。

我想输出 20 个值。如何使用广播来做到这一点？

我正在学习 numpy 并且对广播有点困惑，这是我的设置。我有两个矩阵

所以 r 是 (3*1) 矩阵，而 y 是一个秩为 1 的矩阵，形状为 (3,)。

如果我做 y.dot(r)，我得到 14，假设 numpy 在 y 上应用广播，使其成为 (1*3)，然后它与 r(3*1) 进行点积，因此结果矩阵将为 1* 1.

但是，当我执行 r.dot(y) 时，它会引发错误。为什么它在这里不做同样的事情？它应该使 y(1*3) 和 r 成为(3*1)，它应该给出一个 3*3 矩阵。这个推理有什么问题？

tl; dr：如何预测 numpy 在多个数组中广播返回的形状，而无需实际添加数组？

我有很多使用 numpy (Python) 广播规则的脚本，因此基本上一维输入会产生多维输出。举个基本的例子，理想气体定律（压力 = rho * R_d * 温度）可能看起来像

这里没有必要，但在更复杂的函数中，用正确的形状初始化数组非常有用。如果压力和温度具有相同的形状，则 rho 也具有该形状。如果压力具有形状 (n,) 而温度具有形状 (m,)，我可以调用

得到形状为 (n,m) 的 rho。这让我无需循环就可以绘制具有多个温度值的图rhoIdeal，同时仍然允许脚本接受相同形状的数组并逐个元素地计算结果。

我的问题是：是否有一个内置函数可以返回与多个输入兼容的形状？行为类似的东西

实际上不必对数组求和？如果没有内置函数，一个好的实现会是什么样子？

I have a dataframe of shape (4, 3) as following:

I want to multiply each column of the dataframe with a numpy array of shape (4,):

In numpy, the following broadcasting trick works:

However, it doesn't work in the case of pandas dataframe, I get the following error:

Any suggestions?

Thanks!

我有一个 M 乘 N 数组I，其中的每一行都是一个 N 维数组的索引A。我想要一个矢量化表达式来从 A 中获取 M 索引值的一维数组。我发现这样A[tuple(I.T)]做是正确的，但分析表明它非常昂贵，尽管被矢量化了。它也不是特别优雅或“自然”，A[I]并且A[I.T]做一些完全不同的事情

这样做的正确方法是什么？它也应该适用于像

I am attempting to add two arrays.

I want to get something out that is like

So adding entries to each of the matrices at the corresponding column. I know I can code it in a loop of some sort, but I am trying to use a more elegant / faster solution.

我正在尝试使用欧几里得距离实现一种方法，根据它们与样本数据集的相似性对测试数据集中的点进行聚类。测试数据集有 500 个点，每个点是一个 N 维向量（N=1024）。训练数据集大约有 10000 个点，每个点也是一个 1024 维向量。目标是找到每个测试点和所有样本点之间的 L2 距离，以找到最接近的样本（不使用任何 python 距离函数）。由于测试数组和训练数组的大小不同，我尝试使用广播：

其中 test 是一个形状数组 (500,1024)，而 train 是一个形状数组 (10000,1024)。我收到了 MemoryError。但是，相同的代码适用于较小的数组。例如：

有没有更高效的内存方法来进行上述计算而无需循环？根据网上的帖子，我们可以使用矩阵乘法 sqrt(X * X-2*X * Y+Y * Y) 来实现 L2-范数。所以我尝试了以下方法：

由于矩阵具有不同的形状，当我尝试广播时，存在维度不匹配，我不确定什么是正确的广播方式（对 Python 广播没有太多经验）。我想知道在 Python 中将 L2 距离计算实现为矩阵乘法的正确方法是什么，其中矩阵具有不同的形状。结果距离矩阵应具有 dist[i,j] = 测试点 i 和样本点 j 之间的欧几里得距离。

谢谢

必须有一些'pythonic'方式来做到这一点，但我不认为np.place, np.insert, 或者np.put是我正在寻找的。我想用A较小的 3D 数组替换大型 3D 数组中的值B，从较大数组中的位置开始[i,j,k]。看图：

我想输入类似A[i+, j+, k+] = B或np.embed(B, A, (i,j,k))之类的内容，但当然这些都不正确。

编辑：哦，有这个。所以我应该修改这个问题，问这是否是最好的方法（“最好”意味着笔记本电脑上 500x500x50 的浮点数组最快）：

我正在尝试编写函数，为 BS 模型计算金融希腊语。
我从这样的事情开始：

'...' 表示，正在计算更多的希腊语，但这并不重要。
它工作正常，我有合理的价值观，漂亮的情节等；但是，我的老师告诉我，他希望看到这些值不仅与时间（x 轴上的 tau）相比，而且与 S（S - 股票价格，x 轴上）的对比。换句话说，我必须计算 tau 和 S 变化的希腊语。

我试过以下：

对于这两个版本，我都初始化了以下参数并运行（a-variable）：

它在第一种情况下工作正常，但是当我想改变 S（第二个函数）时，我收到以下错误：

我用谷歌搜索了一下，看起来 Numpy 库和它的数据类型（数组）有一些东西。我不是非常熟练或经验丰富的程序员（仍在学习），所以我自己无法弄清楚。
看起来它现在只适用于 S == 100 (S = T)，但这不是理想的解决方案。
我试过了：

但它只输出：

请帮我找到这个可行的解决方案。我不知道我是否应该尝试循环 S（我尝试过但失败了......），做一些数据类型技巧，以其他方式计算（如何？）或其他任何方式。

假设我有：

我想要的是一种矢量化且有效的方法：

尽可能快地运行非常重要。