并提前感谢您的帮助。
使用Python(主要是numpy),我试图计算一个上三角矩阵,其中每一行“j”是几何系列的第一个j项,所有行都使用相同的参数。
例如,如果我的参数是B(其中abs(B)=< 1,即[-1,1]中的B),那么第1行将是[1 BB ^ 2 B ^ 3 ... B ^(N-1)],第2行将是[0 1 BB ^ 2 ... B ^(N-2)] ...行N将是[0 0 0 ... 1]。
这个计算是贝叶斯Metropolis-Gibbs采样器的关键,因此需要对“B”的新值进行数千次。
我目前尝试过这两种方式:
方法1 - 主要是矢量化:
B_Matrix = np.triu(np.dot(np.reshape(B**(-1*np.array(range(N))),(N,1)),np.reshape(B**(np.array(range(N))),(1,N))))
基本上,这是Nx1和1xN矩阵集的乘积的上三角部分:
上三角形([1 B ^( - 1)B ^( - 2)... B ^( - (N-1))]'* [1 BB ^ 2 B ^ 3 ... B ^( N-1)])
这适用于小N(代数上是正确的),但对于大N,它会出错。并且它产生B = 0的错误(应该允许)。我相信这是因为小B和大N取B ^( - N)~inf。
方法2:
B_Matrix = np.zeros((N,N))
B_Row_1 = B**(np.array(range(N)))
for n in range(N):
B_Matrix[n,n:] = B_Row_1[0:N-n]
因此,只是逐行填充矩阵,但使用一个减慢速度的循环。
我想知道是否有人之前碰到过这个问题,或者对如何以更快的方式计算这个矩阵有更好的想法。
我以前从未在stackoverflow上发布过,但是在任何地方都没有看到这个问题,并且我想我会问。
让我知道是否有更好的地方可以提出这个问题,以及我是否应该提供更多细节。
答案 0 :(得分:2)
您可以使用scipy.linalg.toeplitz
:
In [12]: n = 5
In [13]: b = 0.5
In [14]: toeplitz(b**np.arange(n), np.zeros(n)).T
Out[14]:
array([[ 1. , 0.5 , 0.25 , 0.125 , 0.0625],
[ 0. , 1. , 0.5 , 0.25 , 0.125 ],
[ 0. , 0. , 1. , 0.5 , 0.25 ],
[ 0. , 0. , 0. , 1. , 0.5 ],
[ 0. , 0. , 0. , 0. , 1. ]])
如果您对数组的使用严格“只读”,则可以使用numpy步长来快速创建仅使用2 * n-1个元素(而不是n ^ 2)的数组:
In [55]: from numpy.lib.stride_tricks import as_strided
In [56]: def make_array(b, n):
....: vals = np.zeros(2*n - 1)
....: vals[n-1:] = b**np.arange(n)
....: a = as_strided(vals[n-1:], shape=(n, n), strides=(-vals.strides[0], vals.strides[0]))
....: return a
....:
In [57]: make_array(0.5, 4)
Out[57]:
array([[ 1. , 0.5 , 0.25 , 0.125],
[ 0. , 1. , 0.5 , 0.25 ],
[ 0. , 0. , 1. , 0.5 ],
[ 0. , 0. , 0. , 1. ]])
如果要就地修改数组,请复制make_array(b, n)
返回的结果。也就是arr = make_array(b, n).copy()
。
函数make_array2
包含@Jaime在评论中提出的建议:
In [30]: def make_array2(b, n):
....: vals = np.zeros(2*n-1)
....: vals[n-1] = 1
....: vals[n:] = b
....: np.cumproduct(vals[n:], out=vals[n:])
....: a = as_strided(vals[n-1:], shape=(n, n), strides=(-vals.strides[0], vals.strides[0]))
....: return a
....:
In [31]: make_array2(0.5, 4)
Out[31]:
array([[ 1. , 0.5 , 0.25 , 0.125],
[ 0. , 1. , 0.5 , 0.25 ],
[ 0. , 0. , 1. , 0.5 ],
[ 0. , 0. , 0. , 1. ]])
make_array2
的速度是make_array
的两倍多:
In [35]: %timeit make_array(0.99, 600)
10000 loops, best of 3: 23.4 µs per loop
In [36]: %timeit make_array2(0.99, 600)
100000 loops, best of 3: 10.7 µs per loop