向量化数组：构造矩阵，在指定位置为 1，在其他位置为 0 [重复]

Posted 2023-02-23

【中文标题】向量化数组：构造矩阵，在指定位置为 1，在其他位置为 0 [重复]

【英文标题】：vectorize array: construct matrix with 1 in specified places and 0 elsewhere [duplicate]

【发布时间】：2020-01-10 02:56:44

【问题描述】：

我有一个长度为 L 的（一维）numpy 数组 a，其中填充了从 0 到 N-1 的数字。 现在，我想构建一个 NxL 矩阵，使得在每一列 c 中，a[c]第 1 个条目为 1，所有其他条目为 0。

例如，如果 L=4，N=5 并且

a = np.array([1,2,0,4])

那么我们需要一个矩阵

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

现在，我有以下代码：

def vectorize(a, L, N):
    m = np.zeros((N, L))
    for (i,x) in enumerate(a):
        m[x][i] = 1.0

    return m

这很好用，但我确信有一个更快的方法使用一些 numpy 技巧（避免循环 a）。

【问题讨论】：

第二个链接副本是一个很好的单热编码资源，我认为np.eye(a.max()+1)[a] 是一种干净的方法

【参考方案1】：

当您使用整数数组作为索引时，您需要广播到相同形状的其他数组来指示在其他维度中的位置。在您的情况下，a 的每个元素都是一个行索引。对应的列是：

b = np.arange(L)

现在您可以直接索引到矩阵m：

m = np.zeros((N, L), dtype=bool)
m[a, b] = True

当你索引一个 numpy 数组时，你应该使用单个括号运算符中的所有索引，而不是像 m[a][b] 这样的单独的运算符。当a 是整数数组时，m[a] 是m 部分的副本，但是当a 是单个整数时，原始数据的视图，这是您的示例有效的唯一原因。

【参考方案2】：

您可以将np.arange(..) 用于第二个轴：

def vectorize(a, L, N):
    m = np.zeros((N, L), int)
    m[a, np.arange(len(a))] = 1
    return m

所以对于给定的样本输入，我们得到：

>>> a = np.array([1,2,0,4])
>>> vectorize(a, 4, 5)
array([[0, 0, 1, 0],
       [1, 0, 0, 0],
       [0, 1, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 1]])

【参考方案3】：

def vectorize(a, L, N):
    m = np.zeros((N, L))
    m[a,np.arange(L)] =1
    return m