非零值的 Numpy 平均值

Question

我有一个大小为 N*M 的矩阵，我想求出每一行的平均值。值从 1 到 5，没有任何值的条目设置为 0。但是，当我想使用以下方法找到平均值时，它给了我错误的平均值，因为它还计算了值为0.

matrix_row_mean= matrix.mean(axis=1)

我怎样才能得到非零值的平均值？

Answer 1

获取每行中非零的计数，并将其用于计算每行求和的平均值。因此，实现看起来像这样 -

np.true_divide(matrix.sum(1),(matrix!=0).sum(1))

如果你使用的是旧版本的 NumPy，你可以使用计数的浮点数转换来替换 np.true_divide，就像这样 -

matrix.sum(1)/(matrix!=0).sum(1).astype(float)

样本运行-

In [160]: matrix
Out[160]: 
array([[0, 0, 1, 0, 2],
       [1, 0, 0, 2, 0],
       [0, 1, 1, 0, 0],
       [0, 2, 2, 2, 2]])

In [161]: np.true_divide(matrix.sum(1),(matrix!=0).sum(1))
Out[161]: array([ 1.5,  1.5,  1. ,  2. ])

另一种解决问题的方法是用 NaNs 替换零，然后使用 np.nanmean，这将忽略那些 NaNs，实际上那些原始的 zeros , 像这样 -

np.nanmean(np.where(matrix!=0,matrix,np.nan),1)

从性能的角度来看，我会推荐第一种方法。

Answer 2

我将在这里详细说明使用 masked array 的更通用的解决方案。为了说明细节，让我们创建一个只有一个的下三角矩阵：

matrix = np.tril(np.ones((5, 5)), 0)

如果您对上面的术语不清楚，则此矩阵如下所示：

  [[ 1.,  0.,  0.,  0.,  0.],
   [ 1.,  1.,  0.,  0.,  0.],
   [ 1.,  1.,  1.,  0.,  0.],
   [ 1.,  1.,  1.,  1.,  0.],
   [ 1.,  1.,  1.,  1.,  1.]]

现在，我们希望我们的函数 return 每行的平均值为 1。或者换句话说，轴 1 上的平均值等于五个 1 的向量。为了实现这一点，我们创建了一个屏蔽矩阵 ，其中值为零的条目被视为无效 。这可以通过 np.ma.masked_equal:

来实现

masked = np.ma.masked_equal(matrix, 0)

最后，我们在此数组中执行 numpy 操作，系统地忽略被屏蔽的元素（0）。考虑到这一点，我们通过以下方式获得所需的结果：

masked.mean(axis=1)

这应该会产生一个向量，其条目只有一个。

更详细地说，np.ma.masked_equal(matrix, 0) 的输出应该如下所示：

masked_array(data =
 [[1.0 -- -- -- --]
 [1.0 1.0 -- -- --]
 [1.0 1.0 1.0 -- --]
 [1.0 1.0 1.0 1.0 --]
 [1.0 1.0 1.0 1.0 1.0]],
             mask =
 [[False  True  True  True  True]
 [False False  True  True  True]
 [False False False  True  True]
 [False False False False  True]
 [False False False False False]],
       fill_value = 0.0)

这表明 -- 上的 eh 值被认为是无效的。这也在掩码数组的掩码属性中显示为 True ，这表明它是一个无效元素，因此应该被忽略。

最终对该数组进行均值运算的输出应该是：

masked_array(data = [1.0 1.0 1.0 1.0 1.0],
             mask = [False False False False False],
       fill_value = 1e+20)

非零值的 Numpy 平均值

Numpy mean of nonzero values

python

numpy

mean

numpy-ndarray