如何使用 for 循环创建 Numpy 矩阵？

Question

我正在尝试使用一个名为噪声的随机数数组构建一个带有 numpy 的矩阵，该数组具有 4 个值，应该乘以一个名为“因子”的数组中的 8 个不同数字，从而在最终矩阵中产生 8 行。

因此，“噪声”中的每个值的矩阵应该有 4 列，每个因子应该有 8 行。 我不知道如何实现。

这是我得到的代码：

import numpy as np  
from numpy import random

n = 4
noise = np.random.normal(size=n)


matrix = np.zeros((8,n)) # Pre-allocate matrix
for i in range(1,8):
   matrix[:,i] = [[noise]*i]


print(matrix)

我收到错误消息：

ValueError: setting an array element with a sequence.

Answer 1

您要构建的是外层产品

n = 4
noise = np.random.normal(size=n)
noise
# array([ 2.39723122, -0.99797246, -0.14242618, -0.55921136])

m = 8
factor = np.random.randint(0,10,m)
factor
# array([0, 5, 7, 6, 7, 3, 8, 6])

np.outer(factor,noise)
# array([[ 0.        , -0.        , -0.        , -0.        ],
#        [11.98615612, -4.98986228, -0.71213089, -2.79605682],
#        [16.78061856, -6.98580719, -0.99698324, -3.91447955],
#        [14.38338734, -5.98783473, -0.85455707, -3.35526818],
#        [16.78061856, -6.98580719, -0.99698324, -3.91447955],
#        [ 7.19169367, -2.99391737, -0.42727853, -1.67763409],
#        [19.17784979, -7.98377964, -1.13940942, -4.47369091],
#        [14.38338734, -5.98783473, -0.85455707, -3.35526818]])

许多二进制 ufunc 都存在“外部”操作。因为外乘

np.multiply.outer(factor,noise)

很常见，它有自己的功能outer。

外部运算（对于乘法或其他 ufuncs）大致相当于（对于一维操作数）

np.multiply(*np.ix_(factor,noise))

如果存在减少形式（prod 表示乘法，sum 表示加法，min 表示最小值等），我们也可以这样写

np.prod(np.ix_(factor,noise))

最后，（有点不相关）在产品的情况下我们也可以使用einsum：

np.einsum('i,j',factor,noise)

虽然einsum 对于这个问题来说可能是矫枉过正。

Answer 2

你可以这样做而不是使用循环：

matrix = np.random.normal(size=(1, n)) * np.arange(8).reshape(-1, 1)

这里，乘法的左边是(1, n)，而右边是(8, 1)。所以它们都将被广播到形状(8, n)，然后执行逐元素乘法。

Answer 3

In [12]: n = 4 
    ...: noise = np.random.normal(size=n)                                                                    
In [13]: noise                                                                                               
Out[13]: array([-1.93374989, -1.16536624,  0.42338714, -2.39942219])

让我们看看您要分配的内容 - 对于特定的i：

In [14]: np.array([[noise]*1])                                                                               
Out[14]: array([[[-1.93374989, -1.16536624,  0.42338714, -2.39942219]]])
In [15]: np.array([[noise]*2])                                                                               
Out[15]: 
array([[[-1.93374989, -1.16536624,  0.42338714, -2.39942219],
        [-1.93374989, -1.16536624,  0.42338714, -2.39942219]]])
In [16]: np.array([[noise]*3])                                                                               
Out[16]: 
array([[[-1.93374989, -1.16536624,  0.42338714, -2.39942219],
        [-1.93374989, -1.16536624,  0.42338714, -2.39942219],
        [-1.93374989, -1.16536624,  0.42338714, -2.39942219]]])

您正在将*3 应用于列表 - 这意味着“复制”：

In [17]: [[noise]*3]                                                                                         
Out[17]: 
[[array([-1.93374989, -1.16536624,  0.42338714, -2.39942219]),
  array([-1.93374989, -1.16536624,  0.42338714, -2.39942219]),
  array([-1.93374989, -1.16536624,  0.42338714, -2.39942219])]]

形状有 (1,1,4), (1,2,4), (1,3,4) 等。Python 中的括号创建一个列表；不要随便使用它们。但是

In [21]: np.zeros((8,4))[:,1].shape                                                                          
Out[21]: (8,)

您试图将每个都放入一个大小为 (8,) 的插槽中。

您是否想将noise 的值乘以i？

matrix = np.zeros((8,n)) # Pre-allocate matrix
for i in range(8):
   matrix[i,:] = noise*i

应该可以正常工作，将matrix[i,:] 插槽与源noise 正确匹配。