基于布尔矩阵分组计算Numpy矩阵行均值并统计符合条件行数

需求说明 #

给定N×N浮点矩阵A和同尺寸布尔矩阵B，完成以下操作：

• 对每行，计算A中对应B为True的元素均值
• 对每行，计算A中对应B为False的元素均值
• 统计True均值 < False均值的行数

示例 #

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]]

统计过程：

• 第1行：True均值=(1+2)/2=1.5，False均值=3.0 → 满足条件，计数+1
• 第2行：True均值=6.0，False均值=(4+5)/2=4.5 → 不满足
• 第3行：True均值=(7+9)/2=8.0，False均值=8.0 → 不满足
  最终计数结果为1

原代码问题 #

你之前的实现错误在于：计算均值时用了每行总元素数（N）做分母，而非对应布尔值的实际出现次数，导致均值计算偏差。

修正方案 #

无需保留中间均值变量，直接通过求和与计数的比值计算，并统计符合条件的行数：

import numpy as np

A = np.array([[1.0, 2.0, 3.0],
              [4.0, 5.0, 6.0],
              [7.0, 8.0, 9.0]])
B = np.array([[True, True, False],
              [False, False, True],
              [True, False, True]])

# 计算每行True对应元素的和与数量
true_sum = np.sum(A * B, axis=1)
true_count = np.sum(B, axis=1)

# 计算每行False对应元素的和与数量
false_sum = np.sum(A * ~B, axis=1)
false_count = np.sum(~B, axis=1)

# 计算均值（用np.divide避免除以0的极端情况）
true_mean = np.divide(true_sum, true_count, where=true_count != 0)
false_mean = np.divide(false_sum, false_count, where=false_count != 0)

# 统计符合条件的行数
count = np.sum(true_mean < false_mean)
print(count)  # 输出：1

关键说明 #

• A * B会将B为False的位置置0，求和后得到每行True对应元素的总和
• np.sum(B, axis=1)直接统计每行True的数量
• np.divide的where参数用于处理某行全True/全False的极端情况（此时对应均值设为NaN，不会参与后续统计）

内容的提问来源于stack exchange，提问作者Beyond.Multiverse