Numpy 将矩阵转换为LAPACK的最快实现

我有一个函数，可以将矩阵转换为SciPy中的例程所需的内容。我已经编写了简短的代码来说明我的工作：

将numpy导入为np
导入时间
N=3
def转换矩阵lapack（Amat，out）：
对于范围（N）内的ii：
out[（2*N-2-ii）：（3*N-2-ii），ii]=Amat[：，ii]
A=np.arange（N**2）。重塑（N，N）
A_lapack=np.zero（（3*N-2，N），dtype=np.float）
tt=时间。时间（）
转换矩阵（A，A）
打印（time.time（）-tt）

实际上，通用矩阵（N=3）

>>A
数组（[[0,1,2]，
[3, 4, 5],
[6, 7, 8]])

变成

>>A\u lapack
数组（[[0,0,0.]，
[0., 0., 0.],
[0., 0., 2.],
[0., 1., 5.],
[0., 4., 8.],
[3., 7., 0.],
[6., 0., 0.]])

如何使用NumPy中的内置函数来固定任何N的代码（我的目标是N小于50）？

这应该可以：

来自scipy.sparse导入诊断
将numpy作为np导入
N=3
A=np.arange（N**2）。重塑（N，N）
偏移量=np.arange（-N+1,1）
A_lapack=np.flipud（图（A，偏移量，形状=（3*N-2，N））.toarray（））

工作原理：

它使用

使用鼠标将其翻转过来

如果我们使用

np.zero

包含数组分配步骤，则速度相当，但对于

N=100

的数组，速度较慢：

• 0.00021839141845703125秒（原始代码）
• 0.0017552375793457031秒（我的解决方案）

这应该可以：

来自scipy.sparse导入诊断
将numpy作为np导入
N=3
A=np.arange（N**2）。重塑（N，N）
偏移量=np.arange（-N+1,1）
A_lapack=np.flipud（图（A，偏移量，形状=（3*N-2，N））.toarray（））

工作原理：

它使用

使用鼠标将其翻转过来

如果我们使用

np.zero

包含数组分配步骤，则速度相当，但对于

N=100

的数组，速度较慢：

• 0.00021839141845703125秒（原始代码）
• 0.0017552375793457031秒（我的解决方案）

---

如果您使用

np.diag

替代此解决方案，可能会更快。使用

scipy.sparse.dia.dia_矩阵也可以直接提高性能。如果您使用
np.diag
替代此解决方案，可能会更快。使用
scipy.sparse.dia_矩阵也可以直接提高性能。