如何计算三角形相似度矩阵的加权平均值答案

【问题标题】：How to calculate weighted average on a traingular similarity matrix如何计算三角形相似度矩阵的加权平均值
【发布时间】：2020-08-29 22:05:47
【问题描述】：

我有一个像这样的三角相似矩阵。

[[3, 1, 2, 0],
 [1, 3, 0, 0],
 [1, 0, 0, 0],
 [0, 0, 0, 0]]

如何在丢弃零元素的同时计算每一行的加权平均值？

【问题讨论】：

你的预期输出是什么？

标签： python numpy cosine-similarity

【解决方案1】：

您可以沿第二个轴相加，然后除以sum 每行非零值的数量。然后在where 中使用np.divide 中的np.divide，您可以将满足条件的where 相除，通过将其设置为指定非零值所在位置的掩码，您可以防止除以零错误：

a = np.array([[3, 1, 2, 0],
              [1, 3, 0, 0],
              [1, 0, 0, 0],
              [0, 0, 0, 0]])

m = (a!=0).sum(1)
np.divide(a.sum(1), m, where=m!=0)
# array([2., 2., 1., 0.])

【讨论】：

【解决方案2】：

遍历每一行，然后遍历每个元素。循环遍历元素时，不要包含零。如果您只找到零元素，只需将零（或任何您想要的默认值）添加到您的列表中。

weighted_averages = []
for row in matrix:
  total_weight = 0
  number_of_weights = 0
  for element in row:
    if element != 0:
      total_weight += element
      number_of_weights += 1
  if number_of_weights == 0:
    weighted_averages.append(0)
  else:
    weighted_averages.append(total_weight/number_of_weights)

weighted_averages 在您的情况下返回为： [2.0, 2.0, 1.0, 0]

【讨论】：

【解决方案3】：

您可以使用 numpy 来计算加权平均值。

import numpy as np
a = np.array([
 [3, 1, 2, 0],
 [1, 3, 0, 0],
 [1, 0, 0, 0],
 [0, 0, 0, 0]
])
weights = np.array([1,2,3,4])
#create an mask where element is 0
ma = np.ma.masked_equal(a,0)
#take masked weighted average
ans = np.ma.average(ma, weights=weights,axis = 1)
#fill masked points as 0
ans.filled(0)

输出：

array([1.83333333, 2.33333333, 1.        , 0.        ])

只是 Python：

ar = [[3, 1, 2, 0],
 [1, 3, 0, 0],
 [1, 0, 0, 0],
 [0, 0, 0, 0]]
weight = [1,2,3,4]
ans=[]
for li in ar:
    wa = 0 #weighted average
    we = 0 #weights
    for index,ele in enumerate(li): 
        if ele !=0:
            wa+=weight[index]*ele
            we+=weight[index]
    if we!=0:
        ans.append(wa/we)
    else:
        ans.append(0)
ans

【讨论】：