python numpy ValueError：操作数无法与形状一起广播答案

【问题标题】：python numpy ValueError: operands could not be broadcast together with shapespython numpy ValueError：操作数无法与形状一起广播
【发布时间】：2014-08-24 23:12:08
【问题描述】：

在 numpy 中，我有两个“数组”，X 是 (m,n) 和 y 是向量 (n,1)

使用

X*y

我收到了错误

ValueError: operands could not be broadcast together with shapes (97,2) (2,1)

当(97,2)x(2,1) 显然是合法的矩阵运算并且应该给我一个(97,1) 向量时

编辑：

我已使用 X.dot(y) 更正此问题，但原始问题仍然存在。

【问题讨论】：

什么是“原始问题”？ X*y 不应该工作（而且它不工作），但 np.dot(X,y) 和 X.dot(y)) 应该工作（对我来说他们可以）。
* 不是 ndarray 对象的矩阵乘法。
我在解决 w.T * X 时遇到了同样的问题，而这应该是 np.dot(w.T,X)
X*y 进行元素乘法

标签： python numpy

【解决方案1】：

dot 是矩阵乘法，但* 做了其他事情。

我们有两个数组：

X，形状 (97,2)
y，形状 (2,1)

使用 Numpy 数组，操作

X * y

是按元素完成的，但是可以将其中一个或两个值扩展到一个或多个维度以使其兼容。这种操作称为广播。尺寸为 1 或缺失的尺寸可用于广播。

在上面的示例中，尺寸不兼容，因为：

97   2
 2   1

这里在第一个维度（97 和 2）中存在冲突的数字。这就是上面的 ValueError 所抱怨的。第二个维度就可以了，因为数字 1 不会与任何东西冲突。

(请注意，如果X和y的类型是numpy.matrix，那么星号可以用作矩阵乘法。我的建议是远离numpy.matrix，它往往比简化事情更复杂.)

numpy.dot 你的数组应该没问题；如果您在numpy.dot 上遇到错误，则您一定有其他错误。如果 numpy.dot 的形状不正确，则会出现不同的异常：

ValueError: matrices are not aligned

如果您仍然收到此错误，请发布该问题的最小示例。一个与您的形状相似的数组的示例乘法成功：

In [1]: import numpy

In [2]: numpy.dot(numpy.ones([97, 2]), numpy.ones([2, 1])).shape
Out[2]: (97, 1)

【讨论】：

【解决方案2】：

每numpy docs:

当对两个数组进行操作时，NumPy 会逐元素比较它们的形状。它从尾随维度开始，然后向前推进。两个维度在以下情况下兼容：

它们是相等的，或者

其中一个是 1

换句话说，如果您尝试将两个矩阵相乘（在线性代数意义上），那么您需要X.dot(y)，但如果您尝试将矩阵y 中的标量广播到X 上，那么您需要执行X * y.T。

示例：

>>> import numpy as np
>>>
>>> X = np.arange(8).reshape(4, 2)
>>> y = np.arange(2).reshape(1, 2)  # create a 1x2 matrix
>>> X * y
array([[0,1],
       [0,3],
       [0,5],
       [0,7]])

【讨论】：

【解决方案3】：

您正在寻找np.matmul(X, y)。在 Python 3.5+ 中，您可以使用 X @ y。

【讨论】：

【解决方案4】：

错误可能不是在点积中发生，而是在之后发生。例如试试这个

a = np.random.randn(12,1)
b = np.random.randn(1,5)
c = np.random.randn(5,12)
d = np.dot(a,b) * c

np.dot(a,b) 会好的；但是 np.dot(a, b) * c 显然是错误的（12x1 X 1x5 = 12x5 不能按元素相乘 5x12）但是 numpy 会给你

ValueError: operands could not be broadcast together with shapes (12,1) (1,5)

该错误具有误导性；但是那条线上有一个问题。

【讨论】：

该错误消息确实具有误导性，因为当您的矩阵维度对于元素乘法错误时，这似乎会出现。

【解决方案5】：

使用np.mat(x) * np.mat(y)，就可以了。

【讨论】：

【解决方案6】：

我们可能会混淆 a * b 是一个点积。

但其实是广播。

点积： a.dot(b)

广播：

广播一词是指 numpy 如何处理具有不同算术运算期间的尺寸会导致某些约束，较小的数组在较大的数组中广播，所以它们具有兼容的形状。

(m,n) +-/* (1,n) → (m,n) : 该操作将应用于 m 行

【讨论】：

【解决方案7】：

将数组转换为矩阵，然后进行乘法运算。

X = np.matrix(X)

y = np.matrix(y)

X*y

【讨论】：

【解决方案8】：

ValueError: operands could not be broadcast together with shapes (x ,y) (a ,b)
where  x ,y are variables

Basically this error occurred when value of y (no. of columns) doesn't equal to the number of elements in another multidimensional array.

Now let's go through by ex=>
coding  apart

    {
        import numpy as np 
        arr1= np.arange(12).reshape(3,4)
    }

output of arr1

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

 

    {   arr2= np.arange(4).reshape(1,4)
          or                   { both are same 1 rows and 4 columns
        arr2= np.arange(4)
    }

ouput of arr2=>

array([0, 1, 2, 3])
 
no of elements in arr2 is equal no of no. of the columns in arr1 it will be excute.

    {
    for x,y in np.nditer([a,b]):
        print(x,y)
    }

output => 0 0
1 1
2 2
3 3
4 0
5 1
6 2
7 3
8 0
9 1
10 2
11 3

【讨论】：

请不要只贴代码，多解释帮助别人
对不起先生，我是这个平台的新手。你会帮我吗？我能做的更好吗？

【解决方案9】：

关于广播，我们应该考虑两点。第一：什么是可能的。第二：有多少可能的事情是由numpy完成的。

我知道这可能看起来有点混乱，但我会通过一些例子说明清楚。

让我们从零开始。

假设我们有两个矩阵。第一个矩阵有三个维度（命名为 A），第二个有五个维度（命名为 B）。 numpy 尝试匹配最后/尾随维度。所以numpy不关心B的前两个维度。然后 numpy 将这些尾随维度相互比较。并且当且仅当它们相等或其中一个为 1 时，numpy 会说“好的，你们两个匹配”。如果这些条件不满足，numpy 会“抱歉……这不是我的工作！”。

但我知道您可能会说比较最好以可设计时可以处理的方式进行（4 和 2 / 9 和 3）。您可能会说它可以通过整数复制/广播（示例中为 2/3）。我同意你的看法。这就是我开始讨论的原因是区分什么是可能的和什么是 numpy 的能力。

【讨论】：

【解决方案10】：

这是因为 X 和 y 不是同一类型。例如 X 是一个 numpy 矩阵，y 是一个 numpy 数组！

【讨论】：

您的答案可以通过额外的支持信息得到改进。请edit 添加更多详细信息，例如引用或文档，以便其他人可以确认您的答案是正确的。你可以找到更多关于如何写好答案的信息in the help center。