Question

我有一个m x n矩阵，其中每一行都是一个样本，每列都是一个类。每行包含每个类的soft-max概率。我想将每行中的最大值替换为1，将其他值替换为0.如何在Python中有效地执行此操作？

Answer 1

有些人编造了数据：

>>> a = np.random.rand(5, 5)
>>> a
array([[ 0.06922196,  0.66444783,  0.2582146 ,  0.03886282,  0.75403153],
       [ 0.74530361,  0.36357237,  0.3689877 ,  0.71927017,  0.55944165],
       [ 0.84674582,  0.2834574 ,  0.11472191,  0.29572721,  0.03846353],
       [ 0.10322931,  0.90932896,  0.03913152,  0.50660894,  0.45083403],
       [ 0.55196367,  0.92418942,  0.38171512,  0.01016748,  0.04845774]])

在一行中：

>>> (a == a.max(axis=1)[:, None]).astype(int)
array([[0, 0, 0, 0, 1],
       [1, 0, 0, 0, 0],
       [1, 0, 0, 0, 0],
       [0, 1, 0, 0, 0],
       [0, 1, 0, 0, 0]])

更有效（和冗长）的方法：

>>> b = np.zeros_like(a, dtype=int)
>>> b[np.arange(a.shape[0]), np.argmax(a, axis=1)] = 1
>>> b
array([[0, 0, 0, 0, 1],
       [1, 0, 0, 0, 0],
       [1, 0, 0, 0, 0],
       [0, 1, 0, 0, 0],
       [0, 1, 0, 0, 0]])

Answer 2

这种使用基本numpy和列表推导的方法有效，但性能最差。我在这里留下这个答案，因为它可能有点有益。首先，我们创建一个numpy矩阵：

matrix = np.matrix(np.random.randn(2,2))

matrix就是，例如：

matrix([[-0.84558168,  0.08836042],
        [-0.01963479,  0.35331933]])

现在，如果元素为max，则将1映射到新矩阵，否则为0：

newmatrix = np.matrix([[1 if i == row.max() else 0 for i in row] 
                                                   for row in np.array(matrix)])

newmatrix现在是：

matrix([[0, 1],
        [0, 1]])

Answer 3

我认为对您的特定问题的最佳答案是使用矩阵类型对象。

考虑到大多数矩阵都填充了零，稀疏矩阵在以大量存储友好方式存储大量这些大尺寸矩阵方面应该是最高性能的。这应该优于直接使用numpy数组，特别是对于两个维度中的非常大的矩阵，如果不是在计算速度方面，就内存而言。

import numpy as np
import scipy       #older versions may require `import scipy.sparse`

matrix = np.matrix(np.random.randn(10, 5))
maxes = matrix.argmax(axis=1).A1           
                      # was .A[:,0], slightly faster, but .A1 seems more readable
n_rows = len(matrix)  # could do matrix.shape[0], but that's slower
data = np.ones(n_rows)
row = np.arange(n_rows)
sparse_matrix = scipy.sparse.coo_matrix((data, (row, maxes)), 
                                        shape=matrix.shape, 
                                        dtype=np.int8)

这个sparse_matrix对象相对于常规矩阵对象应该非常轻量级，它会不必要地跟踪它中的每一个零。将其实现为普通矩阵：

sparse_matrix.todense()

返回：

matrix([[0, 0, 0, 0, 1],
        [0, 0, 1, 0, 0],
        [0, 0, 1, 0, 0],
        [0, 0, 0, 0, 1],
        [1, 0, 0, 0, 0],
        [0, 0, 1, 0, 0],
        [0, 0, 0, 1, 0],
        [0, 1, 0, 0, 0],
        [1, 0, 0, 0, 0],
        [0, 0, 0, 1, 0]], dtype=int8)

我们可以将其与matrix进行比较：

matrix([[ 1.41049496,  0.24737968, -0.70849012,  0.24794031,  1.9231408 ],
        [-0.08323096, -0.32134873,  2.14154425, -1.30430663,  0.64934781],
        [ 0.56249379,  0.07851507,  0.63024234, -0.38683508, -1.75887624],
        [-0.41063182,  0.15657594,  0.11175805,  0.37646245,  1.58261556],
        [ 1.10421356, -0.26151637,  0.64442885, -1.23544526, -0.91119517],
        [ 0.51384883,  1.5901419 ,  1.92496778, -1.23541699,  1.00231508],
        [-2.42759787, -0.23592018, -0.33534536,  0.17577329, -1.14793293],
        [-0.06051458,  1.24004714,  1.23588228, -0.11727146, -0.02627196],
        [ 1.66071534, -0.07734444,  1.40305686, -1.02098911, -1.10752638],
        [ 0.12466003, -1.60874191,  1.81127175,  2.26257234, -1.26008476]])

Answer 4

Y = np.random.rand(10,10)
X=np.zeros ((5,5))
y_insert=2
x_insert=3
offset = (1,2)
for index_x, row in enumerate(X):
  for index_y, e in enumerate(row):
    Y[index_x + offset[0]][index_y + offset[1]] = e

使用Python替换矩阵中的特定值

4 个答案: