使用 numpy 将向量转换为掩码矩阵答案

【问题标题】：Convert a vector to a mask matrix using numpy使用 numpy 将向量转换为掩码矩阵
【发布时间】：2015-03-24 11:29:44
【问题描述】：

假设我们有以下向量：

v = np.array([4, 0, 1])

目标是创建 5 x 3 矩阵M，如下所示：

[[0 1 0]
 [0 0 1]
 [0 0 0]
 [0 0 0]
 [1 0 0]]

对于v 中的相应索引，每列中只有一个元素等于1。例如，既然v[0] 是 4，那么 M[4, 0] == 1，因为 v[2] 是 1，那么 M[1, 2] == 1。

如何使用 scipy 和 numpy 在 Python 中构建这样的矩阵？在 MATLAB 中，您可以在一行中使用 sparse 和 full 函数来执行此操作。我不想使用for 循环，因为我正在寻找它的矢量化实现。

【问题讨论】：

明确一点，您希望输出矩阵是稀疏的还是密集的？
我将使用这个“M”作为掩码矩阵，通过元素乘法来抵消一些值（exp: result=A.*M）。 M将是巨大的前“100,000x10”。所以我的目标是使用最优化的。只要快速且矢量化，密集或稀疏都可以。
@superMind，那么你可能想要一个稀疏矩阵。
A 是稀疏的还是密集的？
A 是密集矩阵。在每一列中，我只想取消一个条目，基本上是使用 M 的补码

标签： python numpy matrix scipy vectorization

【解决方案1】：

你可以这样做：

from scipy import sparse

inds = np.array([4, 0, 1])
values = np.ones_like(inds)       # [1, 1, 1]
index = np.arange(inds.shape[0])  # 3
m = sparse.csc_matrix((values, (inds, index)), shape=(5, 3))

输出：

>>> m.todense()
matrix([[0, 1, 0],
        [0, 0, 1],
        [0, 0, 0],
        [0, 0, 0],
        [1, 0, 0]])

【讨论】：

【解决方案2】：

如果你想要一个密集的数组输出，你可以只使用两个整数数组来索引非零元素的行/列：

v = np.array([4, 0, 1])
x = np.zeros((5, 3), np.int)
x[v, np.arange(3)] = 1

print(x)
# [[0 1 0]
#  [0 0 1]
#  [0 0 0]
#  [0 0 0]
#  [1 0 0]]

【讨论】：