如何正确重塑sklearn NMF输出W矩阵以绘制分量图像

图像异常平铺是数组轴顺序匹配错误导致的：

• 原始图像栈维度为(z, y, x) = (46, 974, 1414)，NMF输入要求每一行对应同一个空间像素点（固定y,x）的全部z层值，形状为(y*x, z)，且行顺序要和(y,x)空间网格的遍历顺序一一对应。
• 直接对(z,y,x)顺序的数组执行data.reshape(-1, z)时，numpy按行优先规则展平，得到的每行是跨z、跨y的零散像素拼接，根本不是单空间点的z序列，后续把W直接reshape成(y,x,n_components)自然会出现像素错位、重复平铺的问题。

按正确的轴顺序做预处理和结果重塑即可，NMF拟合逻辑不需要改动：

1. 先调整原始数组轴顺序，把z轴移到最后，让空间维度y、x排在前面：

import numpy as np
from sklearn import decomposition
import matplotlib.pyplot as plt

# 原始data形状(z,y,x) -> 调整为(y,x,z)
data_axisfix = np.moveaxis(data, source=0, destination=-1)
# 调整后形状为(974, 1414, 46)

2. 展平为NMF要求的输入格式：

z, y, x = data.shape
data_r = data_axisfix.reshape(-1, z)
# 展平后形状为(974*1414=1377236, 46)，每一行严格对应一个(y,x)位置的全z层值

3. 执行原有NMF拟合代码：

estimator = decomposition.NMF(n_components = n_components, init = 'random')    
W = estimator.fit_transform(data_r)
H = estimator.components_

4. 把W矩阵重塑回空间网格，绘制分量图：

# W形状为(总像素数, n_components)，直接按(y,x,n_components)重塑即可
component_maps = W.reshape(y, x, n_components)
# 绘制第0个分量，若图像上下颠倒可加origin='lower'参数
plt.imshow(component_maps[:, :, 0])
plt.axis('off')
plt.show()

不要图省事跳过轴调整步骤、直接在reshape W时改参数，这种方式很容易留下维度匹配隐患，后续绘制其他分量、或者做H矩阵的组分光谱分析时还会出问题。

内容的提问来源于stack exchange，提问作者operandos