Python 从对列表中生成Numpy对称矩阵

我有一个相关矩阵，但指定为成对，如：

cm=pd.DataFrame（{'name1'：['A'，'A'，'B']，
'名称2'：['B'，'C'，'C']，
“corr”：[0.1,0.2,0.3]}）
厘米
名称1名称2更正
0 A B 0.1
1 A C 0.2
2 B C 0.3

将其转换为numpy 2d阵列相关矩阵的最简单方法是什么

    A   B   C
A 1.0 0.1 0.2
B 0.1 1.0 0.3
C 0.2 0.3 1.0

---

一种方法是使用

networkX

构建图形，将

corr

列设置为edge

weight

，并使用以下方法获取图形：

---

---

因为您正在处理一个数据帧，所以不能确定纯numpy。以下是一个纯熊猫解决方案：

s = cm.pivot(*cm)

ret = s.add(s.T, fill_value=0).fillna(1)

输出：

     A    B    C
A  1.0  0.1  0.2
B  0.1  1.0  0.3
C  0.2  0.3  1.0

  level_0 level_1  corr
0       A       B   0.1
1       A       C   0.2
2       B       C   0.3

---

Extra：用于反向（

ret

如上所述）

输出：

     A    B    C
A  1.0  0.1  0.2
B  0.1  1.0  0.3
C  0.2  0.3  1.0

  level_0 level_1  corr
0       A       B   0.1
1       A       C   0.2
2       B       C   0.3

---

假设最后一列以适当的方式排序，我们可以使用以下代码

import pandas as pd
import numpy as np

# define data frame
data = pd.DataFrame({
    'name1': ['A', 'A', 'B'],
    'name2': ['B', 'C', 'C'],
    'correlation': [0.1, 0.2, 0.3]})

# get correlation column and dimension
correlation = data['correlation'].values
dimension = correlation.shape[0]

# define empty matrix to fill and unit matrix
matrix_upper_triangular = np.zeros((dimension, dimension))

# fill upper triangular matrix with one half at diagonal
counter = 0
for (row, column), element in np.ndenumerate(matrix_upper_triangular):
    # half of diagonal terms
    if row == column:
        matrix_upper_triangular[row, column] = 0.5
    # upper triangular values
    elif row < column:
        matrix_upper_triangular[row, column] = correlation[counter]
        counter = counter + 1
    else:
        pass

# add upper triangular + lower triangular matrix
correlation_matrix = matrix_upper_triangular
correlation_matrix += matrix_upper_triangular.transpose()

将熊猫作为pd导入
将numpy作为np导入
#定义数据帧
data=pd.DataFrame({
'名称1'：['A'，'A'，'B']，
'名称2'：['B'，'C'，'C']，
“相关性”：[0.1,0.2,0.3]}）
#获取相关列和维度
相关性=数据['correlation']。值
维度=相关性。形状[0]
#定义要填充的空矩阵和单位矩阵
矩阵_上_三角形=np.零（（维数，维数））
#在对角线处用一半填充上三角矩阵
计数器=0
对于（行、列），np.ndenumerate中的元素（矩阵\u上部\u三角形）：
#对角项的一半
如果行==列：
矩阵_上部_三角形[行、列]=0.5
#上三角值
elif行<列：
矩阵上三角[行，列]=相关[计数器]
计数器=计数器+1
其他：
通过
#添加上三角+下三角矩阵
相关矩阵=矩阵上三角
相关矩阵+=矩阵上三角转置（）

非常聪明而且很好的解决方案！让我们看看是否可以使用纯numpy，但这肯定是一种可能性。非常优雅的解决方案！你能解释一下cm.pivot（*cm）的作用吗？@MachineLearner

*cm

本质上等同于

*list（cm.column）

。因此，在本例中，该行相当于

cm.pivot（'name1'，'name2'，'corr'）

。反过来是什么？如何使用

melt

从

s

返回到

cm

。

import pandas as pd
import numpy as np

# define data frame
data = pd.DataFrame({
    'name1': ['A', 'A', 'B'],
    'name2': ['B', 'C', 'C'],
    'correlation': [0.1, 0.2, 0.3]})

# get correlation column and dimension
correlation = data['correlation'].values
dimension = correlation.shape[0]

# define empty matrix to fill and unit matrix
matrix_upper_triangular = np.zeros((dimension, dimension))

# fill upper triangular matrix with one half at diagonal
counter = 0
for (row, column), element in np.ndenumerate(matrix_upper_triangular):
    # half of diagonal terms
    if row == column:
        matrix_upper_triangular[row, column] = 0.5
    # upper triangular values
    elif row < column:
        matrix_upper_triangular[row, column] = correlation[counter]
        counter = counter + 1
    else:
        pass

# add upper triangular + lower triangular matrix
correlation_matrix = matrix_upper_triangular
correlation_matrix += matrix_upper_triangular.transpose()