如何在python中使用条件执行矩阵乘法？

我在数据帧上使用矩阵乘法，并将其转置为

df@df.T

因此，如果我有一个df，它如下所示：（下面的1表示对象具有该属性，而0表示没有该属性）：

使用df@df.T给我：

   A  B  C
A  3  2  1  
B  2  2  0
C  1  0  1

这可以看作是一个矩阵，显示每个对象与另一个对象有多少共同的属性

我现在想修改一个问题，在这个问题中，properties列显示的不是对象是否具有属性的二进制指示，而是该属性的级别。因此，新的df如下所示：（属性值1,2,3下方显示其级别。但0表示没有该属性）

我想应用矩阵乘法，但修改了“公共”属性的定义。只有当一个属性的级别在另一个属性的+-1范围内时，两个对象才会有一个公共属性

下面是结果的样子：

   A  B  C
A  3  1  1  
B  1  2  0
C  1  0  1

请注意，A和B之间的公共属性数已从2更改为1。这是因为A和B之间的属性3不在+-1级别内。此外，0仍然意味着对象没有属性，因此A和C仍然有1个公共属性（C的属性3为0）

---

如何在Python中实现这一点？

这可以通过修改两个数据帧的矩阵乘法来实现

代码

# DataFrame Matrix Multiplication
# i.e. equivalent to df1@df2
def df_multiply(df_a, df_b):
  '''
     Matrix multiplication of values in two DataFrames
     Returns a DataFrame whose index and column are
     from the df_a 
  '''
  a = df_a.values
  b = df_b.values
  zip_b = zip(*b)
  zip_b = list(zip_b)
  zip_b = b
  result = [[sum(ele_a*ele_b for ele_a, ele_b in zip(row_a, col_b)) 
             for col_b in zip_b] for row_a in a]

  return pd.DataFrame(data=result, index=df_a.index, columns=df_a.index)

# Modify df_multiply for desired result
def df_multiply_modified(df_a, df_b):
  '''
         Modified Matrix multiplication of values in two DataFrames to create desired result
         Returns a DataFrame whose index and
         column are from the df_a
  '''
  a = df_a.values
  b = df_b.values
  zip_b = zip(*b)
  zip_b = list(zip_b)
  
  # sum 1 when difference <= 1 and 
  # values are non-zero
  # i.e. ele_a and ele_b and abs(ele_a-ele_b) <=1
  result = [[sum(1 if ele_a and ele_b and abs(ele_a-ele_b) <=1 else 0 for ele_a, ele_b in zip(row_a, col_b)) 
             for col_b in zip_b] for row_a in a]

  return pd.DataFrame(data=result, index=df_a.index, columns=df_a.index)

修正乘法

---

谢谢“修改的乘法”的代码与您显示的一样工作，但运行“原始乘法”时的输出与您显示的不同。不过，修改后的乘法代码运行良好，因此它回答了这个问题。@TheloniusMonk——您提到的原始代码是不同的。您的数据帧与我显示的数据帧相同（包括索引列，即使用set_index）还是不同？如果是，它是如何生成的？我运行了你的代码，在那里你定义了函数和块“原始乘法”。产出似乎很高different@TheloniousMonk--你能给你的帖子添加代码，让我创建你在例子中展示的数据吗（也就是说，这通常是推荐给帖子的）。那么，我可以看出你所说的区别了。

   A  B  C
A  3  1  1  
B  1  2  0
C  1  0  1

# DataFrame Matrix Multiplication
# i.e. equivalent to df1@df2
def df_multiply(df_a, df_b):
  '''
     Matrix multiplication of values in two DataFrames
     Returns a DataFrame whose index and column are
     from the df_a 
  '''
  a = df_a.values
  b = df_b.values
  zip_b = zip(*b)
  zip_b = list(zip_b)
  zip_b = b
  result = [[sum(ele_a*ele_b for ele_a, ele_b in zip(row_a, col_b)) 
             for col_b in zip_b] for row_a in a]

  return pd.DataFrame(data=result, index=df_a.index, columns=df_a.index)

# Modify df_multiply for desired result
def df_multiply_modified(df_a, df_b):
  '''
         Modified Matrix multiplication of values in two DataFrames to create desired result
         Returns a DataFrame whose index and
         column are from the df_a
  '''
  a = df_a.values
  b = df_b.values
  zip_b = zip(*b)
  zip_b = list(zip_b)
  
  # sum 1 when difference <= 1 and 
  # values are non-zero
  # i.e. ele_a and ele_b and abs(ele_a-ele_b) <=1
  result = [[sum(1 if ele_a and ele_b and abs(ele_a-ele_b) <=1 else 0 for ele_a, ele_b in zip(row_a, col_b)) 
             for col_b in zip_b] for row_a in a]

  return pd.DataFrame(data=result, index=df_a.index, columns=df_a.index)

df = pd.DataFrame({'Object':['A', 'B', 'C'],
                  'Property1':[1, 0, 1],
                  'Property2':[1, 1, 0],
                  'Property3':[1, 1, 0]})

df.set_index('Object', inplace = True)
print(df_multiply(df, df.T)
# Output (same as df@df.T):
Object  A  B  C
Object         
A       3  2  1
B       2  2  0
C       1  0  1 

# Use df_multiply_modified
df = pd.DataFrame({'Object':['A', 'B', 'C'],
                  'Property1':[3, 0, 2],
                  'Property2':[2, 2, 0],
                  'Property3':[1, 3, 0]})
df.set_index('Object', inplace = True)
print(df_multiply_modified(df, df.T)
# Output (same as desired)
Object  A  B  C
Object         
A       3  1  1
B       1  2  0
C       1  0  1