Numpy - 用向量行创建矩阵

Posted 2023-03-12

【中文标题】Numpy - 用向量行创建矩阵

【英文标题】：Numpy - create matrix with rows of vector

【发布时间】：2016-01-16 23:39:55

【问题描述】：

我有一个向量[x,y,z,q]，我想创建一个矩阵：

[[x,y,z,q],
 [x,y,z,q],
 [x,y,z,q],
...
 [x,y,z,q]]

有 m 行。我认为这可以通过某种聪明的方式使用广播来完成，但我只能考虑使用 for 循环来完成。

【参考方案1】：

在沿列添加m 零之后，当然可以使用broadcasting，就像这样 -

np.zeros((m,1),dtype=vector.dtype) + vector

现在，NumPy 已经为完全相同的任务提供了一个内置函数 np.tile -

np.tile(vector,(m,1))

示例运行 -

In [496]: vector
Out[496]: array([4, 5, 8, 2])

In [497]: m = 5

In [498]: np.zeros((m,1),dtype=vector.dtype) + vector
Out[498]: 
array([[4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2]])

In [499]: np.tile(vector,(m,1))
Out[499]: 
array([[4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2]])

你也可以在用np.newaxis/None扩展它的维度之后使用np.repeat来达到同样的效果，就像这样-

In [510]: np.repeat(vector[None],m,axis=0)
Out[510]: 
array([[4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2]])

您也可以使用integer array indexing 来获取复制，就像这样 -

In [525]: vector[None][np.zeros(m,dtype=int)]
Out[525]: 
array([[4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2]])

最后使用np.broadcast_to，您可以简单地在输入vector 中创建一个2D 视图，因此这几乎是免费的，并且不需要额外的内存。所以，我们只需这样做 -

In [22]: np.broadcast_to(vector,(m,len(vector)))
Out[22]: 
array([[4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2],
       [4, 5, 8, 2]])

---

运行时测试-

这是一个比较各种方法的快速运行时测试 -

In [12]: vector = np.random.rand(10000)

In [13]: m = 10000

In [14]: %timeit np.broadcast_to(vector,(m,len(vector)))
100000 loops, best of 3: 3.4 µs per loop # virtually free!

In [15]: %timeit np.zeros((m,1),dtype=vector.dtype) + vector
10 loops, best of 3: 95.1 ms per loop

In [16]: %timeit np.tile(vector,(m,1))
10 loops, best of 3: 89.7 ms per loop

In [17]: %timeit np.repeat(vector[None],m,axis=0)
10 loops, best of 3: 86.2 ms per loop

In [18]: %timeit vector[None][np.zeros(m,dtype=int)]
10 loops, best of 3: 89.8 ms per loop