NumPy第k个对角线指数

Question

我想用numpy.array的第k个对角线做算术。我需要那些指数。 例如，像：

>>> a = numpy.eye(2)
>>> a[numpy.diag_indices(a, k=-1)] = 5
>>> a
array([[ 1.,  0.],
       [ 5.,  1.]])

不幸的是，diag_indices只返回包含主对角线的索引，所以在我正在做的那一刻：

a += numpy.diag([5], -1)

但这似乎不太好或不健全。 ： - ）

在numpy中有没有办法获得除主对角线以外的指数？

Answer 1

有点晚了，但是这个版本也适用于k = 0（并且不会改变数组，所以不需要复制）。

def kth_diag_indices(a, k):
    rows, cols = np.diag_indices_from(a)
    if k < 0:
        return rows[-k:], cols[:k]
    elif k > 0:
        return rows[:-k], cols[k:]
    else:
        return rows, cols

Answer 2

这是一种方式：

1. 创建索引值数组。
2. 获取所需的daigonal索引值。
3. 多数民众赞成！ ：）

像这样：

>>> import numpy as np
>>> rows, cols = np.indices((3,3))
>>> row_vals = np.diag(rows, k=-1)
>>> col_vals = np.diag(cols, k=-1)
>>> z = np.zeros((3,3))
>>> z[row_vals, col_vals]=1
>>> z
array([[ 0.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 0.,  1.,  0.]])

Answer 3

a的 k '对角线的索引可以用

计算

def kth_diag_indices(a, k):
    rowidx, colidx = np.diag_indices_from(a)
    colidx = colidx.copy()  # rowidx and colidx share the same buffer

    if k > 0:
        colidx += k
    else:
        rowidx -= k
    k = np.abs(k)

    return rowidx[:-k], colidx[:-k]

演示：

>>> a
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19],
       [20, 21, 22, 23, 24]])
>>> a[kth_diag_indices(a, 1)]
array([ 1,  7, 13, 19])
>>> a[kth_diag_indices(a, 2)]
array([ 2,  8, 14])
>>> a[kth_diag_indices(a, -1)]
array([ 5, 11, 17, 23])

Answer 4

因此，由于 np.diag_indices() 没有与 np.triu_indices() 相同的功能来获取第 k 个对角线/三角形，另一种方法是仅使用 np.eye(n,k) 来构造 nxn在第 k 对角线上有 1 的矩阵，然后使用 np.where 提取 1 所在位置的索引元组。

所以我们只需：

T = np.where(np.eye(5,k=-1) == 1)

这是眼矩阵的额外分配，在某些情况下可能会过多，但它是一个简单的单行。

Answer 5

还有另一种解决方案。用np.eye创建一个矩阵E。您可以如下更改主对角线。然后，再创建两个带有k参数的矩阵。最后，只需将所有矩阵合并在一起即可。

E = np.eye(5)
E = E*2
F = -1*np.eye(len(E),k=1)
G = -1*np.eye(len(E),k=-1)

E = E+F+G
print(E)

Answer 6

使用numpy.diag(v, k=0)

k 从中心设置对角线位置。

即。 {k=0：“默认中心”，k=(-1)：“中心左侧1行”，k=1：“中心右侧1行}

然后按照您通常的预期执行算术。

点击此处的文档：np.diag()。

示例：

In [3]: np.diag(np.arange(6), k=0)
Out[3]: 
array([[0, 0, 0, 0, 0, 0],
       [0, 1, 0, 0, 0, 0],
       [0, 0, 2, 0, 0, 0],
       [0, 0, 0, 3, 0, 0],
       [0, 0, 0, 0, 4, 0],
       [0, 0, 0, 0, 0, 5]])

In [4]: np.diag(np.arange(6), k=1)
Out[4]: 
array([[0, 0, 0, 0, 0, 0, 0],
       [0, 0, 1, 0, 0, 0, 0],
       [0, 0, 0, 2, 0, 0, 0],
       [0, 0, 0, 0, 3, 0, 0],
       [0, 0, 0, 0, 0, 4, 0],
       [0, 0, 0, 0, 0, 0, 5],
       [0, 0, 0, 0, 0, 0, 0]])

In [5]: np.diag(np.arange(6), k=-1)
Out[5]: 
array([[0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 1, 0, 0, 0, 0, 0],
       [0, 0, 2, 0, 0, 0, 0],
       [0, 0, 0, 3, 0, 0, 0],
       [0, 0, 0, 0, 4, 0, 0],
       [0, 0, 0, 0, 0, 5, 0]])