Python - 使用 Numpy 的多个矩阵的元素方式答案

【问题标题】：Python - Element-wise means of multiple matrices with NumpyPython - 使用 Numpy 的多个矩阵的元素方式
【发布时间】：2013-09-20 12:12:40
【问题描述】：

我正在实现一个滑动窗口模型，我想将一个矩阵 @t 初始化为前 N 个矩阵的元素方式，其中 N 是窗口大小。这是我最初的尝试，它显示了最后 N 个矩阵：

list_of_arrays = [np.array([]) for i in range(3)]
N=2 # window size
# past 3 matrices
list_of_arrays[0] = np.array([[0.1,0.2],[0.3,0.4]])
list_of_arrays[1] = np.array([[0.5,0.6],[0.7,0.8]])
list_of_arrays[2] = np.array([[0.9,1.0],[1.1,1.2]])

# at t=3, get element-wise means of previous N matrices
t=3
range1 = lambda start, end: range(start, end+1) # modified range function
answer = [list_of_arrays[t-j] for j in range1(1,N)]

期望的答案是过去 N 个矩阵的元素均值。对于上面的系列，它是：

(list_of_arrays[2]+list_of_arrays[1]) / 2 = [[0.7,0.8],[0.9,1.0]]

我应该如何修改answer 行上的列表理解以获得所需的答案？

【问题讨论】：

标签： python numpy list-comprehension mean sliding-window

【解决方案1】：

t-N 到 t（含）的元素均值由下式给出

np.mean(list_of_arrays[t-N+1:t+1], axis=0)

在您问题的字里行间，我认为您想在取平均值之前做一些其他的调整。假设您的列表包含包含 numpy 数组的对象（如您在评论中建议的 .matrix 属性），那么列表推导可以提取相关部分，因此对上述内容进行以下修改：

np.mean([a.matrix for a in list_of_arrays[t-N+1:t+1]], axis=0)

【讨论】：

谢谢，我需要列表理解，因为矩阵是对象字段，即 object[1].matrix、object[2].matrix 等。我无法以 list_of_arrays[-N:].matrix 的身份访问它们。但我不是 Python 专家，所以如果列表理解仍然可以避免，请告诉我。
好吧，给定你的代码，上面的工作正常（现在修改为给出从 t-N 到 t 的平均值）。您的列表元素是否与您描述的不同？
列表元素是包含矩阵的对象。因此我无法直接访问这些矩阵。换句话说，它是一个由包含矩阵的对象组成的列表。这就是我使用列表理解的原因（单独访问每个对象的矩阵，然后完全处理它们 - 正如您的回答中所给出的那样。）
所以你的问题不正确？问题是您描述了列表理解是错误（非）解决方案的情况。您所指的这些对象是什么？矩阵元素是一个 numpy 矩阵对象，还是别的什么？

【解决方案2】：

我想通了。这是对问题中指示的answer 行的必要修改：

answer = np.mean([list_of_arrays[t-j] for j in range1(1,N)], axis = 0)
>> array([[ 0.7,  0.8],
>>        [ 0.9,  1. ]])

【讨论】：

你的问题和答案对除了你自己以外的每个人都是毫无用处的。主要是因为您没有尝试表达实际问题是什么。从字里行间看，您似乎正在使用 numpy 数组作为您拥有的实际对象的概念代理，然后您希望有人告诉您如何做一些您实际要求的事情。请做出一点努力，以反映您实际问题的方式表达自己，不要假设人们可以读懂您的想法。就目前而言，考虑到这个问题如此不受欢迎，这个答案很差。
问题：我应该如何modify the list comprehension on the answer line 得到想要的答案？这完全封装了我正在寻找的东西。没有什么神秘或误导性的。你在任何时候都不需要读懂我的想法。
但是你接着说“对于上面的系列来说它是……”然后呈现最明显不是你说你想要的东西。如果您按照描述处理 numpy 数组，则不需要列表理解（实际上，这是一个非常糟糕的答案）。如果您正在处理其他事情，请写下问题以反映这一点。您的列表理解只是在这里您的答案中的切片器。
@HenryGomersall 你大错特错了。我只是将这个答案用于我自己的项目，它很有用。像你这样认真对待 stackexchange 的人，才是伟大人物被封杀的原因。
@DLV 对你有好处。对于一个糟糕的问题，它仍然是一个糟糕的答案，但如果你想在你的代码中实现它，那么不要让我阻止你。列表理解在上面的答案中完全是多余的（将其替换为list_of_arrays[-N:]）。问题是尚不清楚这是否足以解决一般问题。解决编程问题的方法有很多，但大多数都是不好的。在这种情况下，考虑到问题，固定在列表理解上会导致糟糕的解决方案，即使它有效。此外，“像我这样的人”修复了问题代码中的实际错误。

【解决方案3】：

这是另一个答案。

N = 3 # window size
m = np.array([
        [[0, 10], 
         [0, 0]], 
        [[0, 0], 
         [1, 1.]],
        [[0, 0], 
         [0, 1.]],
        [[0, 5], 
         [0, 0]],
        [[0, 10], 
         [0, 0]]])
print m.shape
for t in range(m.shape[0]-N):
    print '\nwindow:', t, 'to', t+N-1
    print m[t:t+N,:,:].shape
    print m[t:t+N,:,:].sum(axis=0)/(N)

输出是

(5, 2, 2)

window 0 to 2
(3, 2, 2)
[[ 0.          3.33333333]
 [ 0.33333333  0.66666667]]

window: 1 to 3
(3, 2, 2)
[[ 0.          1.66666667]
 [ 0.33333333  0.66666667]]

【讨论】：