使用稀疏索引和值更新 numpy 数组

Question

我有一个一维的 numpy 数组，想存储它的稀疏更新。 假设我有一个长度为 500000 的数组，并且想要对 100 个元素进行 100 次更新。 更新要么是增加，要么只是改变值（我认为这并不重要）。

使用 numpy 的最佳方法是什么？ 我只想存储两个数组：索引，values_to_add，因此有两个对象：一个存储稠密矩阵，另一个只保存要添加的索引和值，我可以用稠密矩阵做这样的事情：

dense_matrix[indices] += values_to_add

如果我有多个更新，我只会连接它们。

但是这种 numpy 语法不适用于重复元素：它们只是被忽略了。

当我们有一个重复索引的更新时更新对是 O(n)。 我想过用dict代替array来存储更新，从复杂性的角度来看，这看起来不错，但它看起来不是很好的numpy风格。

实现这一目标的最具表现力的方式是什么？ 我知道 scipy 稀疏对象，但是 (1) 我想要纯 numpy 因为 (2) 我想了解实现它的最有效方法。

Answer 1

如果您有重复的索引，您可以使用at ，来自文档：

对由 'indices' 指定的元素对操作数 'a' 执行无缓冲就地操作。 对于加法 ufunc，此方法等价于 a[indices] += b，不同之处在于对索引不止一次的元素进行累加。

代码

a = np.arange(10)
indices = [0, 2, 2]
np.add.at(a, indices, [-44, -55, -55])
print(a)

输出

[ -44    1 -108    3    4    5    6    7    8    9]