Question

我有一个稀疏矩阵。我知道每个列都有两个非零值，所以我想使用定义为置换矩阵列表的张量压缩（除去零）。

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]])

是相同的矩阵，但没有零。

我已经对选择非零值的张量进行了硬编码

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]

如何以这种numpy方式（即无循环）执行此操作？我尝试过tensordot，并在没有运气的情况下对矩阵进行了转置。

Answer 1

由于行的主要顺序，我们可以使用转置后的版本index带有非零掩码的数组，然后重塑-

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

样品运行-

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]])

Answer 2

使用np.where的解决方案：

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

会发生这种情况：

np.where使用转置给出非零元素的索引，这样就可以正确地对它们进行排序，而无需采取其他措施，
用[::-1]反转顺序，因为由于转置，行和列索引被交换，
应用advanced indexing获取元素，
最后，重塑。

输出：

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

Answer 3

您可以使用口罩：

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数组重塑为2d，我决定保留相同的列数，但在某些情况下，您的数组可能对2d不太满意。

Answer 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]]

numpy 3d张量乘2d数组

4 个答案: