numpy 3d 张量乘 2d 数组答案

【问题标题】：numpy 3d tensor by 2d arraynumpy 3d 张量乘 2d 数组
【发布时间】：2018-08-07 14:07:29
【问题描述】：

我有一个稀疏矩阵。我知道每一列都有两个非零值，所以我想压缩（删除零）使用定义为排列矩阵列表的张量。

我有

src = np.array([[2, 9, 0, 2, 4],
                [0, 1, 8, 8, 0],
                [1, 0, 3, 0, 0],
                [0, 0, 0, 0, 7]])

我想要

trg = np.array([[2, 9, 8, 2, 4],
                [1, 1, 3, 8, 7]])

这是同一个矩阵，但没有零。

我已经硬编码了选择非零值的张量

p = np.array([
    [[1,0,0,0],[0,0,1,0]],
    [[1,0,0,0],[0,1,0,0]],
    [[0,1,0,0],[0,0,1,0]],
    [[1,0,0,0],[0,1,0,0]],
    [[1,0,0,0],[0,0,0,1]]
])

我可以遍历p 和src 来获得trg

>>> for i in range(len(p)):
>>>    print(p[i] @ src[:,i])

[2 1]
[9 1]
[8 3]
[2 8]
[4 7]

我怎样才能做到这一点numpy 方式（即没有循环）？我试过tensordot 并转置我的矩阵但没有运气。

【问题讨论】：

不使用p可以解决吗？
@Divakar 当然，p 是我想解决它的方式，但我不太关心 p。我正在寻找某种方法来编码或分解src 并使其更小。此编码将应用于其他具有不同值但定位相同的src2。这就是我想到排列的原因。

标签： python numpy matrix sparse-matrix

【解决方案1】：

由于行优先排序，我们可以使用转置版本到 index 带有非零掩码的数组，然后重新整形 -

out = src.T[src.T!=0].reshape(src.shape[1],-1).T

示例运行 -

In [19]: src
Out[19]: 
array([[2, 9, 0, 2, 4],
       [0, 1, 8, 8, 0],
       [1, 0, 3, 0, 0],
       [0, 0, 0, 0, 7]])

In [20]: src.T[src.T!=0].reshape(src.shape[1],-1).T
Out[20]: 
array([[2, 9, 8, 2, 4],
       [1, 1, 3, 8, 7]])

【讨论】：

为每列处理任意数量的有效元素而无需在代码中指定它的奖励积分（当然，只要每列具有相同数量的有效元素）。

【解决方案2】：

使用np.where的解决方案：

src[np.where(src.T)[::-1]].reshape(2, -1, order='F')

会发生这样的事情：

np.where 使用转置给出非零元素的索引，因此无需进一步测量即可正确排序，
用[::-1] 颠倒顺序，因为由于转置，行和列索引被交换，
申请advanced indexing获取元素，
最后，重塑。

输出：

array([[2, 9, 8, 2, 4],
       [1, 1, 3, 8, 7]])

【讨论】：

【解决方案3】：

你可以使用面具：

mask = src != 0
src[mask] #array without the zeroes but 1d
n_cols = src.shape[1]
tgt = src[mask].reshape(-1,n_cols)

此方法需要将 1d 数组重新整形为 2d，我决定保留相同数量的列，但在某些情况下，您的数组可能无法“重新整形”为 2d。

【讨论】：

【解决方案4】：

这是一种方法：

import numpy as np

src = np.array([[2, 9, 0, 2, 4],
                [0, 1, 8, 8, 0],
                [1, 0, 3, 0, 0],
                [0, 0, 0, 0, 7]])
# Masked indices of non-zero positions
idx = np.arange(len(src))[:, np.newaxis] * (src != 0)
# Sort to and pick valid indices at the end
idx = np.sort(idx, axis=0)[-2:]
# Get values
trg = src[idx, np.arange(src.shape[1])]
print(trg)

输出：

[[2 9 8 2 4]
 [1 1 3 8 7]]

【讨论】：