取基于另一个numpy矩阵的值分组的numpy矩阵中所有行的平均值

Question

我有一个大小为NXN的浮点矩阵a和另一个大小为NXN的布尔矩阵B

对于每一行，我需要找到A中属于索引的所有值的平均值，其中True是矩阵B中该索引的对应值

同样，我需要找到A中属于索引的所有值的平均值，其中False是矩阵B

中该索引的对应值最后，我需要找到"为真"平均值小于"false";意思是

例如:

A = [[1.0, 2.0, 3.0]
[4.0, 5.0, 6.0]
[7.0, 8.0, 9.0]]
B = [[True, True, False]
[False, False, True]
[True, False, True]]

count = 0

For row 1, true_mean = 1.0+2.0/2 = 1.5 and false = 3.0
true_mean

For row 2, true_mean = 6.0 and谬误= 4.0+5.0/2 = 4.5
true_mean>false =平均值

对于第3行，true_mean = 7.0+9.0/2 = 8.0 and谬误= 8.0
true_mean ==谬误= 8.0，因此计数保持不变

最终计数值= 1

我的尝试:-

true_mat = np.where(B, A, 0)
false_mat = np.where(B, 0, A)
true_mean = true_mat.mean(axis=1)
false_mean = false_mat.mean(axis=1)

但这实际上给出了错误的答案，因为分母不是该行中正确/错误值的数量，而是'N'

我只需要count，不需要true_mean和false_mean

如何修复它?

Answer 1

均值问题可以通过计算mask来解决:

mask_norm = tf.reduce_sum(tf.clip_by_value(true_mat, 0., 1.),axis=0)
true_mean = tf.math.divide(tf.reduce_sum(true_mat, axis=1), mask_norm)
#true_mean : [1.5, 6. , 8. ]

您可以使用tf.reduce_sum(tf.where(true_mean < false_mean, 1, 0))

查找计数

Answer 2

您也可以尝试这样做:

import tensorflow as tf

A = tf.constant([[1.0, 2.0, 3.0],
[4.0, 5.0, 6.0],
[7.0, 8.0, 9.0]])
B = tf.constant([[True, True, False],
[False, False, True],
[True, False, True]])
t_rows = tf.where(B)
f_rows = tf.where(~B)
_true = tf.gather_nd(A, t_rows)
_false = tf.gather_nd(A,  f_rows)
count = tf.reduce_sum(tf.cast(tf.math.greater(tf.math.segment_mean(_false, f_rows[:, 0]), tf.math.segment_mean(_true, t_rows[:, 0])), dtype=tf.int32))
tf.print(count)

1

也适用于所有True或False行:

B = tf.constant([[True, True, True],
[False, False, True],
[True, False, True]])
# 0

B = tf.constant([[False, False, False],
[False, False, False],
[True, False, True]])
# 2

Answer 3

我想说你的开始很好

true_mat = np.where(B, A, 0)
false_mat = np.where(B, 0, A)

但是我们想要分别除以true或false的个数，所以…

true_sum = np.sum(B, axis = 1) #sum of Trues per row
false_sum = N-true_sum         # if you don't have N given, do N=A.shape[0]
true_mean = np.sum(true_mat, axis = 1)/true_sum      #add up rows of true_mat and divide by true_sum
false_mean = np.sum(false_mat, axis = 1)/false_sum

对于您的示例，这给出

[1.5 6.  8. ]
[3.  4.5 8. ]

那么现在我们只需要比较第二个比第一个大的地方:

count = np.sum(np.where(false_mean > true_mean, 1, 0))