[英]How to calculate weighted average on a traingular similarity matrix
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行的加权平均值?
您可以沿第二个轴添加,然后除以每行非零值的sum
。 然后使用np.divide
中的where
你可以在满足条件的地方进行划分,通过将其设置为指定非零值的掩码,你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.])
遍历每一行,然后遍历每个元素。 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)
您的情况下的weighted_averages
返回为: [2.0, 2.0, 1.0, 0]
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)
Output:
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
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.