Question

我需要为每个子矩阵求和。例如，如果我有[[1,1,2]，[2,3,4]]，则结果矩阵将为：

 M[0][0] = 1 M[0][1] = 1+1 = 2 M[0][2] = 1+1+2 = 4
 M[1][0] = 1+2 = 3 M[1][1] = 1+1+2+3 = 7 M[1][2] = 1+1+2+2+3+4 = 13

或

M = [[1,2,4],[3,7,13]]

我编写了这段代码

`N = []
 M = []
 summ = 0
 n= list(map(int, input().split()))
 while n != []:
     N.append(n)
     n = list(map(int, input().split()))
 for i in range(len(N)):
     M.append([0 for i in range(len(N[0]))])
     summ = 0
     for j in range(len(N[0])):
         summ += N[i][j]
         M[i][j] = M[i-1][j] + summ `

问题在于，当矩阵很大时，会变慢。我需要在0.5秒内最多解决100x100矩阵

有人可以帮助我吗？没有重要包装！！ `

Answer 1

为了提高速度，您真的想使用NumPy，除了为矩阵提供更简洁的代码外，它比基本的Python还要快得多。在您的小示例中，您可以在不同的轴上两次使用numpy.cumsum()：

import numpy as np

arr = np.array([[1,1,2],[2,3,4]])
out = arr.cumsum(axis=1).cumsum(axis=0)

print(out)

礼物：

array([[ 1,  2,  4],
       [ 3,  7, 13]], dtype=int32)

旁注：在Windows上，默认的int类型为32位，而cumsum()可能会在大型矩阵/大型数上无提示地溢出，因此，如果启用，则可能需要arr = np.array([[1,1,2],[2,3,4]]).astype(np.int64) Windows。

时间：

arr = np.arange(10000).reshape(100, 100)
%timeit out = arr.cumsum(axis=1).cumsum(axis=0)
56.3 µs ± 4.96 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

因此，比您的要求快数千倍。

如何对子矩阵求和

1 个答案: