python - 通过带有数组列表的 numpy 数组进行广播

Question

给定一个邻接表:

adj_list = [array([0,1]),array([0,1,2]),array([0,2])]

还有一个索引数组，

ind_arr = array([0,1,2])

目标:

A = np.zeros((3,3))
for i in ind_arr:
    A[i,list(adj_list[x])] = 1.0/float(adj_list[x].shape[0])

<小时/><小时/>

目前，我已经写了:

A[ind_list[:],adj_list[:]] = 1. / len(adj_list[:]) 

并在这个脚手架中尝试了各种索引配置。

Answer 1

这是一种方法 -

lens = np.array([len(i) for i in adj_list])
col_idx = np.concatenate(adj_list)
out = np.zeros((len(lens), col_idx.max()+1)) 
row_idx = np.repeat(np.arange(len(lens)), lens)
vals = np.repeat(1.0/lens, lens)
out[row_idx, col_idx] = vals

示例输入、输出 -

In [494]: adj_list = [np.array([0,2]),np.array([0,1,4])]

In [496]: out
Out[496]: 
array([[ 0.5       ,  0.        ,  0.5       ,  0.        ,  0.        ],
       [ 0.33333333,  0.33333333,  0.        ,  0.        ,  0.33333333]])

稀疏矩阵作为输出

此外，如果您想节省内存并创建稀疏矩阵，这是一个简单的扩展 -

In [506]: from scipy.sparse import csr_matrix

In [507]: csr_matrix((vals, (row_idx, col_idx)), shape=(len(lens), col_idx.max()+1))
Out[507]: 
<2x5 sparse matrix of type '<type 'numpy.float64'>'
    with 5 stored elements in Compressed Sparse Row format>

In [508]: _.toarray()
Out[508]: 
array([[ 0.5       ,  0.        ,  0.5       ,  0.        ,  0.        ],
       [ 0.33333333,  0.33333333,  0.        ,  0.        ,  0.33333333]])