ValueError：无法将输入数组从形状（1,3）广播到形状（3,1）

Question

我正在研究线性回归编码问题，但在尝试对特征矩阵部分进行编码时出现此错误。你能帮我纠正一下吗？

Traceback（最近一次调用最后一次）： 文件“C:\Users\visha\AppData\Local\Continuum\anaconda3\lib\site-packages\nose\case.py”，第 197 行， 在运行测试中 self.test(*self.arg) 文件“C:\Users\visha\machinelearning\test.py”，第 22 行，在 test_compute_Phi Phi = 计算_Phi(x,2) 文件“C:\Users\visha\machinelearning\linear_regression.py”，第 30 行，在 compute_Phi Phi[:,i] = np.power(x,i).reshape(x.shape[0],) ValueError: 无法将输入数组从形状 (1,3) 广播到形状 (3,1)

[代码]

def compute_Phi(x,p):
    x = np.asmatrix(x)
    Phi = np.zeros(shape = (x.shape[0],p))
    for i in range(0,p):
        Phi[:,i] = np.power(x,i).reshape(x.shape[0],)
        Phi = np.asmatrix(Phi)
return Phi 

Answer 1

你的x，没有np.mat：

In [225]: x = np.array([1,2,3])[:,None]                                                
In [226]: x                                                                            
Out[226]: 
array([[1],
       [2],
       [3]])
In [227]: p = 2                                                                        
In [228]: Phi = np.zeros((3,2))                                                        
In [229]: Phi[:,0] = np.power(x,0)                                                     
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-229-f8ff29de133c> in <module>
----> 1 Phi[:,0] = np.power(x,0)

ValueError: could not broadcast input array from shape (3,1) into shape (3)

为什么？ x 具有形状 (3,1)（定义）。但是Phi[:,0] 的形状为 (3,)。通过广播规则， (3,1) 不能放在 (3,) 空间中。 A (1,3) 可以。 A (3,) 可以。

让我们制作x (3,)：

In [230]: x = np.array([1,2,3])                                                        
In [231]: Phi[:,0] = np.power(x,0)                                                     
In [232]: Phi[:,1] = np.power(x,1)                                                     
In [233]: Phi                                                                          
Out[233]: 
array([[1., 1.],
       [1., 2.],
       [1., 3.]])

现在我们可以分配列了。

现在 (3,1) 形状 x 可以同时使用多个幂：

In [234]: np.power(x[:,None],[0,1,2,3])                                                
Out[234]: 
array([[ 1,  1,  1,  1],
       [ 1,  2,  4,  8],
       [ 1,  3,  9, 27]])

这里 (3,1) x 使用 (4,) p 广播以产生 (3,4) 结果。

广播步骤为：(3,1), (4,) => (3,1), (1,4) => (3,4), (3,4)

关键是 - 尺寸 1 尺寸可以自动添加到前导位置。并且尺寸 1 尺寸被缩放以匹配其他尺寸。

Answer 2

实际上，错误是因为在 for 循环的第一次迭代中，您 Phi 是 np.array，而在第二次迭代中它被更改为矩阵。如果您将行 Phi = np.asmatrix(Phi) 移到循环之外，它就可以工作

def compute_Phi(x,p):
    x = np.asmatrix(x)
    Phi = np.zeros(shape = (x.shape[0],p))
    Phi = np.asmatrix(Phi)
    for i in range(0,p):
        print(Phi[:,i])
        print(np.power(x,i))
        Phi[:,i] = np.power(x,i)

    return Phi 

compute_Phi(np.mat('1.;2.;3'), 2)

输出

matrix([[1., 1.],
        [1., 2.],
        [1., 3.]])