在python中用坐标数组填充矩阵

Question

我目前有 2 个数组对应于坐标 (X,Y) 和第三个数组对应于 2d 空间中此时的值。它是这样编码的，而不是一个矩阵，因为它是一个非常稀疏的矩阵（不是每个点都有一个值）。现在我想重建矩阵以便用 matplotlib.imshow() 绘制值。

到目前为止，我最简单的方法是执行 for 循环，如下所示：

X = [1, 1, 3, 5];
Y = [2, 2, 3, 7];
Z = [0.3, -0.5, 1, 1];
matrix = np.zeros([10,10])

for i in range(len(Z)):
    matrix[X[i],Y[i]] = Z[i]

我的意思是，这并不可怕，但我害怕大阵列。是否有一个函数可以将第一个和第二个输入分别作为第一个和第二个坐标，第三个输入作为这些坐标的值？或者会有类似的东西吗？

Answer 1

对于您正在做的事情，您可以直接（不使用）循环使用列表。示例 -

matrix[X,Y] = Z

演示 -

In [3]: X = [1, 1, 3, 5];

In [4]: Y = [2, 2, 3, 7];

In [5]: Z = [0.3, -0.5, 1, 1];

In [6]: matrix = np.zeros([10,10])

In [7]: matrix[X,Y] = Z

In [8]: matrix
Out[8]:
array([[ 0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ],
       [ 0. ,  0. , -0.5,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ],
       [ 0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ],
       [ 0. ,  0. ,  0. ,  1. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ],
       [ 0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ],
       [ 0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  1. ,  0. ,  0. ],
       [ 0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ],
       [ 0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ],
       [ 0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ],
       [ 0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ,  0. ]])

In [9]: matrix1 = np.zeros([10,10])

In [10]: for i in range(len(Z)):
   ....:     matrix1[X[i],Y[i]] = Z[i]

In [13]: (matrix1 == matrix).all()  #Just to show its equal to OP's `for` loop method.
Out[13]: True

---

计时测试 -

In [24]: X = np.arange(1000)

In [25]: Y = np.arange(1000)

In [26]: Z = np.random.rand(1000)

In [27]: %%timeit
   ....: matrix = np.zeros([1000,1000])
   ....: matrix[X,Y] = Z
   ....:
1000 loops, best of 3: 834 µs per loop

In [28]: %%timeit
   ....: matrix1 = np.zeros([1000,1000])
   ....: for i in range(len(Z)):
   ....:     matrix1[X[i],Y[i]] = Z[i]
   ....:
The slowest run took 6.47 times longer than the fastest. This could mean that an intermediate result is being cached
1000 loops, best of 3: 1.43 ms per loop

向量化的方法在处理大型数组（并且 Z 很大）时会更快。

如果 Z 很小，那么使用for 循环方法会更快。