小编her*_*uzz的帖子

我想知道是否有更有效/Pythonic 的方法来添加多个 numpy 数组（2D）而不是：

def sum_multiple_arrays(list_of_arrays):
   a = np.zeros(shape=list_of_arrays[0].shape) #initialize array of 0s
   for array in list_of_arrays:
      a += array
   return a 

Ps：我知道， np.add()但它只适用于 2 个数组。

是否可以重塑 np.array() 并且在新形状不一致的情况下，用 NaN 填充空白空间？

前任：

arr = np.array([1,2,3,4,5,6])

目标，例如 2x4 矩阵：

[1 2  3   4]
[5 6 NaN NaN]

我需要这个来绕过错误： ValueError: cannot reshape array of size 6 into shape (2,4)

谢谢，

我有一个矩阵x，其3 x 3维度和向量w是3,：

x = np.array([[1, 2, 1],
              [3, 2 ,1],
              [1, 2, 2]])

w = np.array([0.3, 0.4, 0.3])

我需要生成另一个向量y，该向量对 x. 的每一列x由 中的相应值加权w。像这样的东西：

for y[0]，它应该寻找X[0] => [1, 2, 1]

• 值为 1 = 第一和第三 [0,2] 的列
• 值为 2 = 秒 [1] 的列
• 值为 3 = 无的列

对w按其在 X 中的值分组的列的权重 (in )求和：

• 值为 1 的列的权重总和： 0.3 + 0.3 = 0.6
• 值为 2 的列的权重总和： …

我见过一些使用两种不同的实验，StandardScaler如下所示：

scaler_1 = StandardScaler().fit(X_train)
train_sc = scaler_1.transform(X_train)

scaler_2 = StandardScaler().fit(X_test)
test_sc = scaler_2.fit(X_test)

我知道人们不应该对混合训练/测试数据的分类器产生偏见，但我想知道另一种情况是否正确：

# X_all represents X feature vector before splitting (train + test)
X_scaled = StandardScaler().fit_transform(X_all)

X_train, y_train, X_test, y_test = train_test_split(X_scaled,y_all)

另外，我想知道这个案例如何延伸到KFold交叉验证。