我有三个numpy数组：
X：3073 x 49000矩阵
W：10 x 3073矩阵
y：49000 x 1向量
y包含0到9之间的值，每个值代表W中的一行。
我想将X的第一列添加到W中第一个元素给出的y行中。即如果y中的第一个元素为3，则将X的第一列添加到W的第四行。然后将X的第二列添加到W中由y中的第二个元素指定的行中，依此类推，直到X的所有列都已添加到W由y指定的W[y] += X.T行，表示总共添加了49000行。
W对我不起作用，因为这不会在In [1]: import numpy as np
In [2]: a, b, c = 3, 4, 5
In [3]: np.random.seed(0)
In [4]: X = np.random.randint(10, size=(b,c))
In [5]: W = np.random.randint(10, size=(a,b))
In [6]: y = np.random.randint(a, size=(c,1))
In [7]: X
Out[7]:
array([[5, 0, 3, 3, 7],
[9, 3, 5, 2, 4],
[7, 6, 8, 8, 1],
[6, 7, 7, 8, 1]])
In [8]: W
Out[8]:
array([[5, 9, 8, 9],
[4, 3, 0, 3],
[5, 0, 2, 3]])
In [9]: y
Out[9]:
array([[0],
[1],
[1],
[2],
[0]])
In [10]: W[y.ravel()] + X.T
Out[10]:
array([[10, 18, 15, 15],
[ 4, 6, 6, 10],
[ 7, 8, 8, 10],
[ 8, 2, 10, 11],
[12, 13, 9, 10]])
In [11]: W[y.ravel()] = W[y.ravel()] + X.T
In [12]: W
Out[12]:
array([[12, 13, 9, 10],
[ 7, 8, 8, 10],
[ 8, 2, 10, 11]])
的行中添加多个向量。
请注意：我只是在寻找 矢量化 解决方案。即没有for-loops。
编辑：为了澄清我将添加一个小矩阵大小的示例，该示例改编自Salvador Dali的示例。
W = [[17, 22, 16, 16],
[ 7, 11, 14, 17],
[ 8, 2, 10, 11]]
问题是将 BOTH 列0和X中的第4列添加到W中的第0行，以及将X中的第1列和第2列添加到W中的第1行。
因此，期望的结果是：
my code
HtmlElementCollection bColl = webBrowser1.Document.GetElementsByTagName("td");
foreach (HtmlElement bEl in bColl)
{
if (bEl.GetAttribute("b").Contains("your"))
txtLinkDetails.Text = bEl.OuterHtml.Split('"')[3].Replace("&", "&");
}
答案 0 :(得分：3)
方法＃1
基于this answer，这是使用np.bincount的矢量化解决方案 -
N = y.max()+1
id = y.ravel() + np.arange(X.shape[0])[:,None]*N
W[:N] += np.bincount(id.ravel(), weights=X.ravel()).reshape(-1,N).T
方法＃2
您可以充分利用boolean indexing和np.einsum以简洁的矢量化方式完成工作 -
N = y.max()+1
W[:N] += np.einsum('ijk,lk->il',(np.arange(N)[:,None,None] == y.ravel()),X)
方法＃3
由于您从X每个唯一y选择并添加了大量列，因此在性能方面运行与complexity等于此类唯一y's的数量，似乎在max等于W中的行数，而在您的情况下仅为10。因此，循环只有10次迭代，不错！这是实现这些愿望的实施 -
for k in range(W.shape[0]):
W[k] += X[:,(y==k).ravel()].sum(1)
方法＃4
你可以引入np.einsum来进行列式求和，并得到最终输出 -
for k in range(W.shape[0]):
W[k] += np.einsum('ij->i',X[:,(y==k).ravel()])
答案 1 :(得分：3)
首先将直接循环解决方案作为参考：
In [65]: for i,j in enumerate(y):
W[j]+=X[:,i]
....:
In [66]: W
Out[66]:
array([[17, 22, 16, 16],
[ 7, 11, 14, 17],
[ 8, 2, 10, 11]])
add.at解决方案：
In [67]: W=W1.copy()
In [68]: np.add.at(W,(y.ravel()),X.T)
In [69]: W
Out[69]:
array([[17, 22, 16, 16],
[ 7, 11, 14, 17],
[ 8, 2, 10, 11]])
add.at执行无缓冲计算，绕过阻止W[y.ravel()] += X.T工作的缓冲。它仍然是迭代的，但循环已经移动到编译代码。它不是真正的矢量化，因为应用程序的顺序很重要。一行X.T的添加取决于前一行的结果。
https://stackoverflow.com/a/20811014/901925是我几年前给出类似问题的答案（对于1d数组）。
但在处理大型数组时：
X: a 3073 x 49000 matrix
W: a 10 x 3073 matrix
y: a 49000 x 1 vector
这可能会遇到速度问题。请注意，W[y.ravel()]与X.T的大小相同（为什么选择这些需要转置的大小？）。它是一个副本，而不是一个视图。所以已经有时间惩罚了。
bincount，我认为它更快。 Making for loop with index arrays faster（bincount和add.at解决方案）
迭代3073的小尺寸也可以获得速度优势。或者更好的是尺寸10维，Divakar演示。
对于小型测试用例a,b,c=3,4,5，add.at解决方案最快，其次为Divakar's bincount和einseum。对于较大的a,b,c=10,1000,20000，add.at变得非常慢，bincount是最快的。
相关SO答案
https://stackoverflow.com/a/28205888/901925（请注意bincount需要y完全覆盖。
https://stackoverflow.com/a/30041823/901925（其中Divakar再次显示bincount规则！）
答案 2 :(得分：1)
这将实现您的目标：X + W[y.ravel()].T
要看到这确实有效，这是一个可重复的例子：
import numpy as np
np.random.seed(0)
a, b, c = 3, 5, 4 # you can use your 3073, 49000, 10 later
X = np.random.rand(a, b)
W = np.random.rand(c, a)
y = np.random.randint(c, size=(b, 1))
现在你的矩阵是：
[[ 0.0871293 0.0202184 0.83261985]
[ 0.77815675 0.87001215 0.97861834]
[ 0.79915856 0.46147936 0.78052918]
[ 0.11827443 0.63992102 0.14335329]]
[[3]
[0]
[3]
[2]
[0]]
[[ 0.5488135 0.71518937 0.60276338 0.54488318 0.4236548 ]
[ 0.64589411 0.43758721 0.891773 0.96366276 0.38344152]
[ 0.79172504 0.52889492 0.56804456 0.92559664 0.07103606]]
W[y.ravel()]给你＆＃34;由y＆＃34;中的第一个元素给出的W通过转置它，您将获得一个准备好添加到X的矩阵：
[[ 0.11827443 0.0871293 0.11827443 0.79915856 0.0871293 ]
[ 0.63992102 0.0202184 0.63992102 0.46147936 0.0202184 ]
[ 0.14335329 0.83261985 0.14335329 0.78052918 0.83261985]]
答案 3 :(得分：0)
虽然我不能说这是非常pythonic，但这是一个解决方案（我认为）：
for column in range(x.shape[1]):
w[y[column]] = x[:,column].T