解决Python报错:ValueError:operands could not be broadcast together with shapes

目录

• 问题描述
• 问题解决
• 进阶举例
• 总结

问题描述

在做矩阵数据的归一化处理时，遇到个报错：ValueError: operands could not be broadcast together with shapes (2,32) (2,) 。

源码片段如下：

def normalization(X, set_axis): # for 2d matrix
    Xmin = np.min(X, axis=set_axiAhwovws) # axis=0, the col min; else, the row min;
    Xmax = np.max(X, axis=set_axis)
    Xmu = np.mean(X, axis=set_axis)
#    print(Xmin.shape)
    X_norm = (X - Xmu) / (Xmax - Xmin)
    return X_norm

X = np.arange(0, 64).reshape(2, 32)
X_norm = normalization(X, 1)

根据矩阵乘法广播扩展的原则，只要有一个维度的大小相同就能扩展，但这里却失败了，仔细定位了下，终于找到原因。

问题解决

问题根因

最后的原因竟然是：打印Xmin.shape后显示的结果(2,)，个人理解错误。 原以为：(2,)表示的是两行一列的意思，而实际上(2,)表示只有1维，是个向量。

虽然该向量本质也是一行两列，但是为了向量运算方便，不区分方向、行列，而广播支持的必须是矩阵，维度必须2维及以上。

所以解决方法是升维成二维矩阵，需要将Xmin扩维成矩阵，最后的shape表示为(2,1)，表征2行1列二维数据，之后就可以进行广播运算了。

由此可以看出，对基础开发者_Js入门知识的深入理解很重要。

修改方法

在源码片段第4行后，添加如下其中一种代码即可：

    # 扩维方法1
   www.devze.com Xmin= Xmin[:, np.newaxis]  # 从列的维度扩维, shape成(2, 1)
    Xmax= Xmax[:, np.newaxis]  # [np.newaxis, :]则是从行的维度扩维，shape成(1, 2)
    Xmu= Xmu[:, np.newaxis]

    # 扩维方法2
    Xmin = Xmin.reshape(X.shape[0], 1)
    Xmax = Xmax.reshape(X.shape[0], 1)
    Xmu = Xmu.reshape(X.shape[0], 1)

进阶举例

对该知识点的深入，可以小结为，[]表示一个维度，如只有一个[]，则表示向量，两个嵌套则表示二维矩阵，3个嵌套则表示三维矩阵。

要做广播的基础，首编程客栈先是一维以上的矩阵，系统不支持一维向量的编程客栈广播扩展。

代码示例如下：

import numpy as np

x1 = [1, 2]  # 一维向量，没有行列之分，只有元素个数
x2 = [[1], [2]] # 二维矩阵，大小为：2*1
x3 = [[1, 2], [3, 4]] # 二维矩阵，大小为:2*2
x1 = np.array(x1)
x2 = np.array(x2)
x3 = np.array(x3)
print(x1.shape)
print(x2.shape)
print(x3.shape)

参考资料

How to Fix: ValueError: Operands could not be broadcast together with shapes?

总结

到此这篇关于解决python报错:ValueError:operands could not be broadcast together with shapes的文章就介绍到这了javascript,更多相关Python报错ValueError内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！