Question

所以我编写了一个使用精确对角化来研究Lieb-Liniger模型的代码。第一步是构建一个包含描述粒子占用的列表的numpy数组。该数组看起来像

array([[2, 0, 0],
   [1, 1, 0],
   [1, 0, 1],
   [0, 2, 0],
   [0, 1, 1],
   [0, 0, 2]])

对于3种模式中的2个粒子的情况。我的问题是，是否有可能获得此数组中特定列表的索引，类似于使用索引函数获取常规列表中的索引的方式。例如，使用列表A，我能够使用A.index（some_list_in_A）来获取该列表的索引，但我尝试使用numpy.where（HS = [2,0,0]）来得到[2,0,0]的指数（依此类推），但无济于事。对于大量的粒子和模式，我正在寻找获得这些索引的有效方法，并且我认为使用numpy数组非常有效，但我刚刚遇到这个块并且没有找到它的解决方案。有什么建议吗？

Answer 1

您可以使用np.where()：

pattern = [2,0,0]
index = np.where(np.all(a==pattern, axis=1))[0]

Answer 2

以下是执行此查找的几种方法：

In [36]: A=np.array([[2,0,0],[1,1,0],[1,0,1],[0,2,0],[0,1,1],[0,0,2]])
In [37]: pattern = [0,2,0]

In [38]: np.where(np.all(pattern==A,1))  # Saullo's where
Out[38]: (array([3]),)

In [39]: A.tolist().index(pattern)  # your list find
Out[39]: 3

In [40]: D={tuple(a):i for i,a in enumerate(A.tolist())}  # dictionary
In [41]: D[tuple(pattern)]
Out[41]: 3

我使用元组作为字典键 - 元组是一个不可变列表。

对于这个小尺寸，字典方法是最快的，特别是如果字典可以构建一次并重复使用。即使在运行中构建它也比np.where快。但你应该用更实际的尺寸来测试它。

Python字典针对速度进行了调整，因为它们是语言操作的基础。

使用已编译的代码，np.where中的各个部分都很快。但是，它必须将A的所有元素与pattern进行比较。除了字典哈希查找之外，还有很多工作要做。

numpy数组中的列表索引

2 个答案: