Python np矩阵的列表理解

我有两个np矩阵，其中一个我正试图标准化。我知道，一般来说，列表理解比for循环快，所以我尝试将double for循环转换为列表表达式

# normalize the rows and columns of A by B
 for i in range(1,q+1):
     for j in range(1,q+1):
         A[i-1,j-1] = A[i-1,j-1] / (B[i-1] / B[j-1])

到目前为止，我得到的是：

A = np.asarray([A/(B[i-1]/B[j-1]) for i, j in zip(range(1,q+1), range(1,q+1))])

但我认为我采取了错误的方法，因为我没有看到任何明显的时差

---

任何帮助都将不胜感激。

首先，如果你真的是指

np.matrix

，请停止使用

np.matrix

。它有各种令人讨厌的不兼容性，而且由于矩阵乘法的

@

已经存在，它的角色已经过时了。即使您被困在没有

@

的Python版本上，使用

dot

方法和正常的Ndarray仍然比处理

np.matrix

要好

您不应该对NumPy数组使用任何类型的Python级迭代构造，无论是

循环还是列表理解，除非您确定没有更好的选项。假设A是2D，B是1D，形状分别为
（q，q）
和
（q，）
，在这种情况下，您应该做的是

A *= B
A /= B[:, np.newaxis]

对
A
的操作。这将允许NumPy直接在数组的底层数据缓冲区上执行C级别的迭代，而不必创建包装器对象并对每个操作执行动态调度。
首先，如果您确实是指
np.matrix
，请停止使用
np.matrix
。它有各种令人讨厌的不兼容性，而且由于矩阵乘法的
@
已经存在，它的角色已经过时了。即使您被困在没有
@
的Python版本上，使用
dot
方法和正常的Ndarray仍然比处理
np.matrix
要好

您不应该对NumPy数组使用任何类型的Python级迭代构造，无论是
循环还是列表理解，除非您确定没有更好的选项。假设A是2D，B是1D，形状分别为
（q，q）
和
（q，）
，在这种情况下，您应该做的是

A *= B
A /= B[:, np.newaxis]

对
A
的操作。这将允许NumPy直接在数组的底层数据缓冲区上执行C级迭代，而不必创建包装器对象并对每个操作执行动态调度。
为什么您认为列表理解通常比循环快？假设你在理解中实际使用了for循环。除非你真的没有更好的选择，否则你不应该使用列表理解或
for
循环和NumPy数组。思想列表理解通常比for循环快一点点，因为它不必在每个数组上查找列表及其append方法迭代。通常不是很明显。您尝试执行的最大问题是，您使用的是普通Python，而不是向量化的
numpy
操作。专注于这一点，而不是使用列表式理解。在双循环中，您在原地修改
a
。在理解中，从列表中创建一个新数组。这抵消了理解过程中可能节省的时间。把理解看作是一种简化的列表附加循环方式。为什么你认为列表理解通常比循环快？假设你在理解中实际使用了for循环。除非你真的没有更好的选择，否则你不应该使用列表理解或
for
循环和NumPy数组。思想列表理解通常比for循环快一点点，因为它不必在每个数组上查找列表及其append方法迭代。通常不是很明显。您尝试执行的最大问题是，您使用的是普通Python，而不是向量化的
numpy
操作。专注于这一点，而不是使用列表式理解。在双循环中，您在原地修改
a
。在理解中，从列表中创建一个新数组。这抵消了理解过程中可能节省的时间。将理解看作是执行列表附加循环的一种简化方式。