Python 赋值问题，一个NumPy函数？

由于一个矩阵可以用单个矩阵的形式表示，我想知道NumPy是否有一个函数来求解这样一个矩阵。到目前为止，我还没有找到。也许你们当中有人知道NumPy/SciPy是否有分配问题解决功能

---

编辑：与此同时，我在上找到了一个Python（而不是NumPy/SciPy）实现。不过，我认为NumPy/SciPy实现可能要快得多，对吧？

不，NumPy不包含这样的函数。组合优化超出了NumPy的范围。也许可以使用

scipy.optimize

中的一个优化器来完成，但我感觉约束的形式可能不正确

---

可能还包括分配问题的算法。

有一个作为python扩展模块的实现，它支持numpy。我在我的旧笔记本电脑上成功地使用了它。但是，它在我的新机器上不起作用-我假设“新”numpy版本（或64位arch）有问题。

现在在scikit learn中有一个munkres算法的numpy实现，它唯一的依赖项是numpy。我尝试了一些大约20x20的矩阵，它似乎是问题中链接到的矩阵的4倍。cProfiler显示100次迭代的时间分别为2.517秒和9.821秒。

我希望较新的

scipy.optimize.linear\u sum\u赋值

会最快，但（可能并不奇怪）它（没有pip支持）会明显更快，至少在我的用例中是这样的：

更新：使用

munkres

v1.1.2和

scipy

v1.5.0可获得以下结果：

$ python -m timeit -s "from scipy.optimize import linear_sum_assignment; import numpy as np; np.random.seed(0); c = np.random.rand(20,30)" "a,b = linear_sum_assignment(c)"
10000 loops, best of 5: 32.8 usec per loop
$ python -m timeit -s "from munkres import Munkres; import numpy as np;  np.random.seed(0); c = np.random.rand(20,30); m = Munkres()" "a = m.compute(c)"
100 loops, best of 5: 2.41 msec per loop
$ python -m timeit -s "from scipy.optimize import linear_sum_assignment; import numpy as np; np.random.seed(0);" "c = np.random.rand(20,30); a,b = linear_sum_assignment(c)"
5000 loops, best of 5: 51.7 usec per loop
$ python -m timeit -s "from munkres import Munkres; import numpy as np;  np.random.seed(0)" "c = np.random.rand(20,30); m = Munkres(); a = m.compute(c)"
10 loops, best of : 26 msec per loop

---

另一个快速实现，正如@Matthew:

scipy.optimize所暗示的，有一个名为
linear\u sum\u assignment
的函数。从文档中：

使用的方法是匈牙利算法，也称为Munkres或Kuhn-Munkres算法

自2.4版（2019-10-16发布）起，NetworkX通过
nx.算法、二分体、最小权重和完整匹配来解决问题。在撰写本文时，该实现在引擎盖下使用了SciPy的
SciPy.optimize.linear\u sum\u分配
，因此期望具有相同的性能特征。
除了在
SciPy.optimize.linear\u sum\u分配中的解算器之外，其他一些答案中已经提到了SciPy（从1.6.0开始）还附带了一个稀疏友好的解算器

[2]中的
：来自scipy.sparse导入随机
在[3]中：从scipy.sparse.csgraph导入最小权重完全二分匹配
在[4]中：来自scipy.optimize导入线性和赋值
[15]中：稀疏=随机（1000，1000，密度=0.01，格式='csr'）
在[16]中：%timeit min_weight_full_bipartite_matching（稀疏）
每个回路3.84 ms±12.4µs（7次运行的平均值±标准偏差，每个100个回路）
[17]中：稠密=稀疏。toarray（）
在[18]中：%timeit线性和赋值（稠密）
每个回路18.8 ms±291µs（7次运行的平均值±标准偏差，每个10个回路）
它没有用numpy实现，真是太遗憾了。它不仅可能更快，而且算法也必须更易于用numpy表达。这将作为0.18版的
scipy.optimize.linear\u sum\u assignment
包含在scipy中。0.21中不推荐使用线性\u assignment\u模块，将从0.23中删除。改为使用scipy.optimize.linear\u sum\u分配。从scipy版本0.18中有一个实现
scipy.optimize.linear\u sum\u分配
。我刚刚尝试了我的案例库，使用Cython版本获得了25倍的加速！我还尝试了cython版本，并获得了巨大的加速。只需要学习从源安装，因为它显然缺少PIP支持实现<代码> SimPy。优化C++。新的实现将在SciPy 1.4.0中提供，并应在速度上提供实质性的改进。是的。
SciPy.optimize.linear\u sum\u assignment
的更新实现非常快。
1000 x 1000
成本矩阵需要70毫秒才能求解。