Python 使用numpy将向量转换为遮罩矩阵

假设我们有以下向量：

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

目标是创建5 x 3矩阵

M

，如下所示：

[[0 1 0]
 [0 0 1]
 [0 0 0]
 [0 0 0]
 [1 0 0]]

对于

v

中的相应索引，每列中只有一个元素等于1。例如，既然

v[0]

是4，那么

M[4，0]==1

，既然

v[2]

是1，那么

M[1，2]==1

如何使用scipy和numpy在Python中构建这样的矩阵？在MATLAB中，您可以在一行中使用

sparse

和

full

函数来实现这一点。 我不希望使用

for

循环，因为我正在寻找此循环的矢量化实现。

您可以执行以下操作：

from scipy import sparse

inds = np.array([4, 0, 1])
values = np.ones_like(inds)       # [1, 1, 1]
index = np.arange(inds.shape[0])  # 3
m = sparse.csc_matrix((values, (inds, index)), shape=(5, 3))

输出：

>>> m.todense()
matrix([[0, 1, 0],
        [0, 0, 1],
        [0, 0, 0],
        [0, 0, 0],
        [1, 0, 0]])

---

如果需要密集数组输出，可以使用两个整数数组来索引非零元素的行/列：

v = np.array([4, 0, 1])
x = np.zeros((5, 3), np.int)
x[v, np.arange(3)] = 1

print(x)
# [[0 1 0]
#  [0 0 1]
#  [0 0 0]
#  [0 0 0]
#  [1 0 0]]

---

为了清楚起见，您希望输出矩阵是稀疏的还是密集的？我将使用这个“M”作为掩码矩阵，通过元素相乘（exp:result=a.*M）抵消一些值。M将是巨大的，例如“10000x10”。所以我的目标是使用最优化的一个。密集或稀疏都可以，只要速度快且矢量化。@superMind，那么您可能需要一个稀疏矩阵。

a

稀疏还是密集？a是密集矩阵。在每一列中，我只想取消一个条目，基本上使用M的补码