从Python中的数组向量化压缩的稀疏矩阵

Question

我正在尝试将图论方法应用于图像处理问题。 我想从包含要绘制的点的数组生成邻接矩阵。 我想生成数组中点的完整图形。 如果阵列中需要绘制N个点，则需要一个NxN矩阵。 权重应该是点之间的距离，所以这是我的代码：

''' vertexarray is an array where the points that are to be 
    included in the complete graph are True and all others False.'''

import numpy as np
def array_to_complete_graph(vertexarray):

    vertcoords = np.transpose(np.where(vertexarray == True))

    cg_array = np.eye(len(vertcoords))

    for idx, vals in enumerate(vertcoords):
        x_val_1, y_val_1 = vals
        for jdx, wals in enumerate(vertcoords):
            x_diff = wals[0] - vals[0]
            y_diff = wals[1] - vals[1]
            cg_array[idx,jdx] = np.sqrt(x_diff**2 + y_diff**2)
    return cg_array

当然，这可行，但是我的问题是：可以在不嵌套for循环的情况下生成相同的数组吗？

Answer 1

使用函数scipy.spatial.distance.cdist() ：

import numpy as np

def array_to_complete_graph(vertexarray):

    vertcoords = np.transpose(np.where(vertexarray == True))

    cg_array = np.eye(len(vertcoords))

    for idx, vals in enumerate(vertcoords):
        x_val_1, y_val_1 = vals
        for jdx, wals in enumerate(vertcoords):
            x_diff = wals[0] - vals[0]
            y_diff = wals[1] - vals[1]
            cg_array[idx,jdx] = np.sqrt(x_diff**2 + y_diff**2)
    return cg_array

arr = np.random.rand(10, 20) > 0.75

from scipy.spatial.distance import cdist
y, x = np.where(arr)
p = np.c_[x, y]
dist = cdist(p, p)
np.allclose(array_to_complete_graph(arr), dist)