使用向量化函数重新分类 numpy float 数组时出现广播错误

Question

我想评估 2D numpy float 数组中的每个值是否落在某个数值 class 的最小、最大边界内。接下来，我想将该值重新分配给与 class 关联的 'score'。

例如 class 边界可以是：

>>> class1 = (0, 1.5)
>>> class2 = (1.5, 2.5)
>>> class3 = (2.5, 3.5)

class 分数是：

>>> score1 = 0.75
>>> score2 = 0.50
>>> score3 = 0.25

任何 class 之外的值应默认为例如99.

我已经尝试了以下方法，但是运行由于广播而陷入 ValueError。

>>> import numpy as np

>>> arr_f = (6-0)*np.random.random_sample((4,4)) + 0  # array of random floats


>>> def reclasser(x, classes, news):
>>>     compare = [x >= min and x < max for (min, max) in classes]
>>>     try:
>>>         return news[compare.index(True)
>>>     except Value Error:
>>>         return 99.0


>>> v_func = np.vectorize(reclasser)
>>> out = v_func(arr_f, [class1, class2, class3], [score1, score2, score3])

ValueError: operands could not be broadcast together with shapes (4,4) (4,2) (4,)

如果您能就此错误发生的原因以及如何补救提出任何建议，我们将不胜感激。另外，如果我在使用向量化函数的道路上完全走错了路，我也很高兴听到这个消息。

Answer 1

尝试先让代码在不使用 np.vectorize 的情况下运行。即使将单个浮点数作为第一个参数，上面的代码也不会工作。你拼错了ValueError；使用 min 和 max 作为变量名也不是一个好主意（它们是 Python 函数）。 reclasser 的固定版本是：

def reclasser(x, classes, news):
    compare = [min(cls) < x < max(cls) for cls in classes]
    try:
        return news[compare.index(True)]
    except ValueError:
        return 99.0

也就是说，我认为使用重分类器和 np.vectorize 过于复杂。相反，您可以这样做：

# class -> score mapping as a dict
class_scores = {class1: score1, class2: score2, class3: score3}
# matrix of default scores
scores = 99 * np.ones(arr_f.shape)

for cls, score in class_scores.items():
    # see which array values belong into current class
    in_cls = np.logical_and(cls[0] < arr_f, arr_f < cls[1])
    # update scores for current class
    scores[np.where(in_cls)] = score

scores将是对应于原始数据数组的分数数组。

使用向量化函数重新分类 numpy float 数组时出现广播错误

Broadcasting error when reclassifying numpy float array using vectorized function

python

numpy

broadcast

array-broadcasting