blocks|key|1812931|text|方法#1:使用None+(或np.newaxis)添加额外的维度，以便广播行为：|type|unstyled|depth|inlineStyleRanges|offset|length|style|CODE|entityRanges|data|1812932|>>>+e
array([[+0.,++1.],
+++++++[+2.,++4.],
+++++++[+1.,++5.]])
>>>+e/e.sum(axis=1)[:,None]
array([[+0.++++++++,++1.++++++++],
+++++++[+0.33333333,++0.66666667],
+++++++[+0.16666667,++0.83333333]])|code-block|syntax|javascript|1812933|方法#2:转置快乐：|1812934|>>>+(e.T/e.sum(axis=1)).T
array([[+0.++++++++,++1.++++++++],
+++++++[+0.33333333,++0.66666667],
+++++++[+0.16666667,++0.83333333]])|1812935|(为了简洁起见，您可以省略axis=部分。)|1812936|方法#3：(从Jaime的评论中提升)|1812937|在sum上使用keepdims参数保留维度：|1812938|>>>+e/e.sum(axis=1,+keepdims=True)
array([[+0.++++++++,++1.++++++++],
+++++++[+0.33333333,++0.66666667],
+++++++[+0.16666667,++0.83333333]])|1812939|entityMap^0|7|4|E|A|0|0|0|0|D|5|0|0|1|3|7|8|0|0^^$0|@$1|2|3|4|5|6|7|Y|8|@$9|Z|A|10|B|C]|$9|11|A|12|B|C]]|D|@]|E|$]]|$1|F|3|G|5|H|7|13|8|@]|D|@]|E|$I|J]]|$1|K|3|L|5|6|7|14|8|@]|D|@]|E|$]]|$1|M|3|N|5|H|7|15|8|@]|D|@]|E|$I|J]]|$1|O|3|P|5|6|7|16|8|@$9|17|A|18|B|C]]|D|@]|E|$]]|$1|Q|3|R|5|6|7|19|8|@]|D|@]|E|$]]|$1|S|3|T|5|6|7|1A|8|@$9|1B|A|1C|B|C]|$9|1D|A|1E|B|C]]|D|@]|E|$]]|$1|U|3|V|5|H|7|1F|8|@]|D|@]|E|$I|J]]|$1|W|3|-4|5|6|7|1G|8|@]|D|@]|E|$]]]|X|$]]

Method #1: use <code>None</code> (or <code>np.newaxis</code>) to add an extra dimension so that broadcasting will behave:

<pre><code>&gt;&gt;&gt; e
array([[ 0., 1.],
 [ 2., 4.],
 [ 1., 5.]])
&gt;&gt;&gt; e/e.sum(axis=1)[:,None]
array([[ 0. , 1. ],
 [ 0.33333333, 0.66666667],
 [ 0.16666667, 0.83333333]])
</code></pre>

Method #2: go transpose-happy:

<pre><code>&gt;&gt;&gt; (e.T/e.sum(axis=1)).T
array([[ 0. , 1. ],
 [ 0.33333333, 0.66666667],
 [ 0.16666667, 0.83333333]])
</code></pre>

(You can drop the <code>axis=</code> part for conciseness, if you want.)

Method #3: (promoted from Jaime's comment)

Use the <code>keepdims</code> argument on <code>sum</code> to preserve the dimension:

<pre><code>&gt;&gt;&gt; e/e.sum(axis=1, keepdims=True)
array([[ 0. , 1. ],
 [ 0.33333333, 0.66666667],
 [ 0.16666667, 0.83333333]])
</code></pre>

blocks|key|1812945|text|你可以在数学上这样做|type|unstyled|depth|inlineStyleRanges|entityRanges|data|1812946|📷|atomic|offset|length|1812947|。|1812948|这里，E是原始矩阵，D是对角矩阵，其中每一项都是E中相应行的总和。如果您足够幸运地拥有一个可逆的D，那么在数学上这是一种非常方便的方法。|style|CODE|1812949|在numpy中：|1812950|import+numpy+as+np

diagonal_entries+=+[sum(e[row])+for+row+in+range(e.shape[0])]
D+=+np.diag(diagonal_entries)
D_inv+=+np.linalg.inv(D)
e+=+np.dot(e,+D_inv)|code-block|syntax|javascript|1812951|entityMap|0|IMAGE|mutability|IMMUTABLE|imageUrl|https://ask.qcloudimg.com/http-save/yehe-900000/cb7a0e7d762ccfa212b317a81e6e16e3.gif|imageAlt^0|0|0|1|0|0|0|3|1|A|1|O|1|1C|1|0|0|0^^$0|@$1|2|3|4|5|6|7|12|8|@]|9|@]|A|$]]|$1|B|3|C|5|D|7|13|8|@]|9|@$E|14|F|15|1|16]]|A|$]]|$1|G|3|H|5|6|7|17|8|@]|9|@]|A|$]]|$1|I|3|J|5|6|7|18|8|@$E|19|F|1A|K|L]|$E|1B|F|1C|K|L]|$E|1D|F|1E|K|L]|$E|1F|F|1G|K|L]]|9|@]|A|$]]|$1|M|3|N|5|6|7|1H|8|@]|9|@]|A|$]]|$1|O|3|P|5|Q|7|1I|8|@]|9|@]|A|$R|S]]|$1|T|3|-4|5|6|7|1J|8|@]|9|@]|A|$]]]|U|$V|$5|W|X|Y|A|$Z|10|11|-4]]]]

You can do it mathematically as <a href="https://i.stack.imgur.com/RhQZn.gif" rel="noreferrer"><img src="https://i.stack.imgur.com/RhQZn.gif" alt="enter image description here"></a>.

Here, <code>E</code> is your original matrix and <code>D</code> is a diagonal matrix where each entry is the sum of the corresponding row in <code>E</code>. If you're lucky enough to have an invertible <code>D</code>, this is a pretty mathematically convenient way to do things.

In numpy:

<pre><code>import numpy as np

diagonal_entries = [sum(e[row]) for row in range(e.shape[0])]
D = np.diag(diagonal_entries)
D_inv = np.linalg.inv(D)
e = np.dot(e, D_inv)
</code></pre>

blocks|key|4747626|text|您也可以使用numpy的重塑方法，如下所示：|type|unstyled|depth|inlineStyleRanges|entityRanges|data|4747627|e+=+np.array([[0.,+1.],[2.,+4.],[1.,+5.]])
e/=np.sum(e,+axis=1).reshape(-1,1)
e

array([[0.++++++++,+1.++++],
+++++++[0.33333333,+0.66666667],
+++++++[0.16666667,+0.83333333]])|code-block|syntax|javascript|4747628|entityMap^0|0|0^^$0|@$1|2|3|4|5|6|7|I|8|@]|9|@]|A|$]]|$1|B|3|C|5|D|7|J|8|@]|9|@]|A|$E|F]]|$1|G|3|-4|5|6|7|K|8|@]|9|@]|A|$]]]|H|$]]

You can also use reshape method of numpy as follows:
<pre><code>e = np.array([[0., 1.],[2., 4.],[1., 5.]])
e/=np.sum(e, axis=1).reshape(-1,1)
e

array([[0. , 1. ],
 [0.33333333, 0.66666667],
 [0.16666667, 0.83333333]])
</code></pre>

How can I divide a numpy array row by the sum of all values in this row?

This is one example. But I'm pretty sure there is a fancy and much more efficient way of doing this:

<pre><code>import numpy as np
e = np.array([[0., 1.],[2., 4.],[1., 5.]])
for row in xrange(e.shape[0]):
 e[row] /= np.sum(e[row])
</code></pre>

Result:

<pre><code>array([[ 0. , 1. ],
 [ 0.33333333, 0.66666667],
 [ 0.16666667, 0.83333333]])
</code></pre>

numpy divide row by row sum

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

如何将数值数组行除以该行中所有值的总和？这是一个例子。但我很确定有一种更花哨、更有效的方法：import numpy as npe = np.array([[0., 1.],[2., 4.],[1., 5.]])for row in xrange(e.shape[0]):    e[row] /= np.sum(e[r...

问numpy逐行除法求和
EN

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问numpy逐行除法求和EN