Question

我有一个向量长度n和一个mxm矩阵。通常m >> n（m比n大得多）。我需要将向量从对角线开始重复写入矩阵。例如：

带有v = [v_1, v_2, v_3]零矩阵的

向量4x4产生：

v_1,  v_2,  v_3,  0
0,    v_1,  v_2,  v_3
0,    0,    v_1,  v_2
0,    0,    0,    v_1

由于我必须经常执行此操作，因此它必须相当快。现在，我在原始python中遍历矩阵的每一行，并将向量写入所需的位置，但这很慢。

Answer 1

选中numpy.eye。这对您有用吗？

v = [1,2,3]
N = 5
M = 10
arr = np.sum(np.eye(N, k=i, M=10) * j for i, j in enumerate(v))
arr
>>array([[1., 2., 3., 0., 0., 0., 0., 0., 0., 0.],
   [0., 1., 2., 3., 0., 0., 0., 0., 0., 0.],
   [0., 0., 1., 2., 3., 0., 0., 0., 0., 0.],
   [0., 0., 0., 1., 2., 3., 0., 0., 0., 0.],
   [0., 0., 0., 0., 1., 2., 3., 0., 0., 0.]])

编辑（感谢hpaulj建议）：如果矩阵很大并且有很多0，则可以使用稀疏矩阵

from scipy.sparse import diags
arr = diags(v,offsets=[0,1,2],shape=(N,M))
print(arr.A)
>>array([[1., 2., 3., 0., 0., 0., 0., 0., 0., 0.],
   [0., 1., 2., 3., 0., 0., 0., 0., 0., 0.],
   [0., 0., 1., 2., 3., 0., 0., 0., 0., 0.],
   [0., 0., 0., 1., 2., 3., 0., 0., 0., 0.],
   [0., 0., 0., 0., 1., 2., 3., 0., 0., 0.]])

Answer 2

解决该问题的一种方法是在两侧填充适当数量的零，并沿其放置长度为m的滑动窗口。我们可以利用基于np.lib.stride_tricks.as_strided的scikit-image's view_as_windows来获取滑动窗口。 More info on use of as_strided based view_as_windows。

from skimage.util.shape import view_as_windows

def extend2D(a, m):
    # Create zeros padded version
    p1 = np.zeros(m-1,dtype=a.dtype)
    p2 = np.zeros(m-len(a),dtype=a.dtype)    
    b = np.concatenate((p1,a,p2))

    # Get sliding windows along it of lengths `m` and finally flip rows
    return view_as_windows(b,m)[::-1]

输出将只是将窗口视图滑动到输入的零填充版本中。因此，如果您需要输出具有自己的存储空间，请在输出后附加.copy()。

样品运行-

In [45]: a
Out[45]: array([5, 8, 6])

In [46]: extend2D(a, m=4)
Out[46]: 
array([[5, 8, 6, 0],
       [0, 5, 8, 6],
       [0, 0, 5, 8],
       [0, 0, 0, 5]])

In [47]: extend2D(a, m=5)
Out[47]: 
array([[5, 8, 6, 0, 0],
       [0, 5, 8, 6, 0],
       [0, 0, 5, 8, 6],
       [0, 0, 0, 5, 8],
       [0, 0, 0, 0, 5]])

Optimization-I

如果您想通过使用strided-indexing坚持使用NumPy来{@ {1}}弄脏自己的手，那么在此过程中，请避免在上一种方法的最后一步进行翻转-

np.lib.stride_tricks.as_strided

Optimization-II

进一步优化，我们可以初始化一个零数组，然后将输入分配给它-

def extend2D_v2(a, m):
    p1 = np.zeros(m-1,dtype=a.dtype)
    p2 = np.zeros(m-len(a),dtype=a.dtype)    
    b = np.concatenate((p1,a,p2))
    s = b.strides[0]
    return np.lib.stride_tricks.as_strided(b[m-1:],shape=(m,m),strides=(-s,s))

使用def extend2D_v3(a, m): b = np.zeros(2*m-1,dtype=a.dtype) b[m-1:m-1+len(a)] = a s = b.strides[0] return np.lib.stride_tricks.as_strided(b[m-1:],shape=(m,m),strides=(-s,s))和n=100随机数据数组进行计时-

m=10000

Answer 3

这里的答案与Divakar's类似，但仅适用于NumPy。它用零填充给定的向量，然后从该缓冲区进行查看：

import numpy as np

def view_into_diagonals(v, m):
    # Add zeros before and after the vector
    v_pad = np.pad(v, [(m - 1, m - len(v))], mode='constant')
    # Current stride
    s, = v_pad.strides
    # Offset from which the first row starts
    offset = s * (m - 1)
    # Make ndarray
    view = np.ndarray(shape=(m, m),
                      dtype=v_pad.dtype,
                      buffer=v_pad.data,
                      offset=offset,
                      # Each column moves one forward, each row moves one backwards
                      strides=(-s, s))
    # Probably better not write to it
    view.flags.writeable = False
    return view

print(view_into_diagonals([1, 2, 3], 6))
# [[1 2 3 0 0 0]
#  [0 1 2 3 0 0]
#  [0 0 1 2 3 0]
#  [0 0 0 1 2 3]
#  [0 0 0 0 1 2]
#  [0 0 0 0 0 1]]

从对角线开始将向量写入矩阵

3 个答案: