Question

给出邻接表：

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

一系列索引，

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

目标：

A = np.zeros((3,3))
for i in ind_arr:
    A[i,list(adj_list[x])] = 1.0/float(adj_list[x].shape[0])

目前，我写道：

A[ind_list[:],adj_list[:]] = 1. / len(adj_list[:])

并在此脚手架中尝试了各种索引配置。

Answer 1

我不认为你可以完全消除由于混合数据类型引起的循环，但你可以将嵌套的双循环减少到一个循环：

A = np.zeros((2, 3))
for i, arr in enumerate(adj_list):
    arr_size = len(arr)
    A[i, :arr_size] = 1./arr_size

A
# array([[ 0.5       ,  0.5       ,  0.        ],
#        [ 0.33333333,  0.33333333,  0.33333333]])

或者，如果数组中的数字实际上是列位置：

A = np.zeros((2, 3))
for i, arr in enumerate(adj_list):
    A[i, arr] = 1./len(arr)

A
# array([[ 0.5       ,  0.5       ,  0.        ],
#        [ 0.33333333,  0.33333333,  0.33333333]])

使用MultiLabelBinarizer sklearn的另一个选项（但可能效率不高）：

from sklearn.preprocessing import MultiLabelBinarizer

mlb = MultiLabelBinarizer()

adj_list = [np.array([0,1]),np.array([0,1,2])]

sizes = np.fromiter(map(len, adj_list), dtype=int)
mlb.fit_transform(adj_list)/sizes[:,None]

# array([[ 0.5       ,  0.5       ,  0.        ],
#        [ 0.33333333,  0.33333333,  0.33333333]])

Answer 2

这是一种方法 -

lens = np.array([len(i) for i in adj_list])
col_idx = np.concatenate(adj_list)
out = np.zeros((len(lens), col_idx.max()+1)) 
row_idx = np.repeat(np.arange(len(lens)), lens)
vals = np.repeat(1.0/lens, lens)
out[row_idx, col_idx] = vals

示例输入，输出 -

In [494]: adj_list = [np.array([0,2]),np.array([0,1,4])]

In [496]: out
Out[496]: 
array([[ 0.5       ,  0.        ,  0.5       ,  0.        ,  0.        ],
       [ 0.33333333,  0.33333333,  0.        ,  0.        ,  0.33333333]])

稀疏矩阵作为输出

此外，如果你想节省内存并创建一个稀疏矩阵，这是一个简单的扩展 -

In [506]: from scipy.sparse import csr_matrix

In [507]: csr_matrix((vals, (row_idx, col_idx)), shape=(len(lens), col_idx.max()+1))
Out[507]: 
<2x5 sparse matrix of type '<type 'numpy.float64'>'
    with 5 stored elements in Compressed Sparse Row format>

In [508]: _.toarray()
Out[508]: 
array([[ 0.5       ,  0.        ,  0.5       ,  0.        ,  0.        ],
       [ 0.33333333,  0.33333333,  0.        ,  0.        ,  0.33333333]])

通过带有数组列表的numpy数组进行广播

2 个答案: