[英]Fastest way to create a square nxn matrix from 1d array in numpy
假設以下 numpy 數組:
arr = np.array([0, 1, 2, 3, 4]) # can be any array
我想知道生成以下操作的最快方法:
n = arr.shape[0]
result = np.tile(arr, (n, 1)) - arr.reshape((-1, 1))
print(result):
array([[ 0, 1, 2, 3, 4],
[-1, 0, 1, 2, 3],
[-2, -1, 0, 1, 2],
[-3, -2, -1, 0, 1],
[-4, -3, -2, -1, 0]])
(1) 如何高效地創建矩陣“結果”(因為 n >> 0 可能非常大)?
(2) 這個矩陣有特定的名稱嗎?
這有點快:
result = arr-arr[:,None]
粗略的基准,沒有科學依據。 (使用 arr 計時 100 次):
5 items (arr) 100 times 10,000 items (np.arange) once
OP: 0.0006383560000000066 0.7902513520000001
This one: 0.0001735200000000381 0.3640661519999999
Kelly's: 0.00027326299999996806 0.36036748900000015 (see comments)
將廣播與scipy.linalg.toeplitz
和 OP 進行比較:
N = 1000
arr = np.arange(N)
%timeit np.tile(arr, (N, 1)) - arr.reshape((-1, 1))
1.83 ms ± 53.8 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%timeit arr - arr[:, None]
1.11 ms ± 25 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%timeit scipy.linalg.toeplitz(-arr, arr)
727 µs ± 21.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
N = 10000
arr = np.arange(N)
%timeit np.tile(arr, (N, 1)) - arr.reshape((-1, 1))
184 ms ± 9.27 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit arr - arr[:, None]
85.3 ms ± 597 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit scipy.linalg.toeplitz(-arr, arr)
70.6 ms ± 573 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
似乎 scipy 解決方案通常更快。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.