Python报错：ValueError: operands could not be broadcast together with shapes

Python报错：ValueError: operands could not be broadcast together with shapes

• • 问题描述
  • 问题解决
  • 进阶举例
  • 参考资料

问题描述

在做矩阵数据的归一化处理时，遇到个报错：ValueError: operands could not be broadcast together with shapes (2,32) (2,) 。

源码片段如下：

def normalization(X, set_axis): # for 2d matrix    Xmin = np.min(X, axis=set_axis) # axis=0, the col min; else, the row min;    Xmax = np.max(X, axis=set_axis)    Xmu = np.mean(X, axis=set_axis)#    print(Xmin.shape)    X_norm = (X - Xmu) / (Xmax - Xmin)    return X_normX = np.arange(0, 64).reshape(2, 32)X_norm = normalization(X, 1)

根据矩阵乘法广播扩展的原则，只要有一个维度的大小相同就能扩展，但这里却失败了，仔细定位了下，终于找到原因。

问题解决

问题根因

最后的原因竟然是：打印Xmin.shape后显示的结果(2,)，个人理解错误。 原以为：(2,)表示的是两行一列的意思，而实际上(2,)表示只有1维，是个向量。

虽然该向量本质也是一行两列，但是为了向量运算方便，不区分方向、行列，而广播支持的必须是矩阵，维度必须2维及以上。

所以解决方法是升维成二维矩阵，需要将Xmin扩维成矩阵，最后的shape表示为(2,1)，表征2行1列二维数据，之后就可以进行广播运算了。

由此可以看出，对基础知识的深入理解很重要。

修改方法

在源码片段第4行后，添加如下其中一种代码即可：

    # 扩维方法1    Xmin= Xmin[:, np.newaxis]  # 从列的维度扩维, shape成(2, 1)    Xmax= Xmax[:, np.newaxis]  # [np.newaxis, :]则是从行的维度扩维，shape成(1, 2)    Xmu= Xmu[:, np.newaxis]    # 扩维方法2    Xmin = Xmin.reshape(X.shape[0], 1)    Xmax = Xmax.reshape(X.shape[0], 1)    Xmu = Xmu.reshape(X.shape[0], 1)

进阶举例

对该知识点的深入，可以小结为，[]表示一个维度，如只有一个[]，则表示向量，两个嵌套则表示二维矩阵，3个嵌套则表示三维矩阵。

要做广播的基础，首先是一维以上的矩阵，系统不支持一维向量的广播扩展。

代码示例如下：

import numpy as npx1 = [1, 2]  # 一维向量，没有行列之分，只有元素个数x2 = [[1], [2]] # 二维矩阵，大小为：2*1x3 = [[1, 2], [3, 4]] # 二维矩阵，大小为:2*2x1 = np.array(x1)x2 = np.array(x2)x3 = np.array(x3)print(x1.shape)print(x2.shape)print(x3.shape)

参考资料

1. How to Fix: ValueError: Operands could not be broadcast together with shapes?

来源地址：https://blog.csdn.net/qq_17256689/article/details/127911882