2024-04-20 02:59:46 发布
网友
对于“常规”numpy数组,使用numpy.diag:
def tridiag(a, b, c, k1=-1, k2=0, k3=1): return np.diag(a, k1) + np.diag(b, k2) + np.diag(c, k3) a = [1, 1]; b = [2, 2, 2]; c = [3, 3] A = tridiag(a, b, c)
您还可以使用“常规”numpy数组通过奇特的索引来实现这一点:
import numpy as np data = np.zeros((10,10)) data[np.arange(5), np.arange(5)+2] = [5, 6, 7, 8, 9] data[np.arange(3)+4, np.arange(3)] = [1, 2, 3] print data
(如果您想更简洁,可以将那些对np.arange的调用替换为np.r_)。E、 g.使用data[np.arange(3)+4, np.arange(3)],而不是data[np.r_[:3]+4, np.r_[:3]])
np.arange
np.r_
data[np.arange(3)+4, np.arange(3)]
data[np.r_[:3]+4, np.r_[:3]]
这将产生:
[[0 0 5 0 0 0 0 0 0 0] [0 0 0 6 0 0 0 0 0 0] [0 0 0 0 7 0 0 0 0 0] [0 0 0 0 0 8 0 0 0 0] [1 0 0 0 0 0 9 0 0 0] [0 2 0 0 0 0 0 0 0 0] [0 0 3 0 0 0 0 0 0 0] [0 0 0 0 0 0 0 0 0 0] [0 0 0 0 0 0 0 0 0 0] [0 0 0 0 0 0 0 0 0 0]]
但是,如果您无论如何都要使用稀疏矩阵,请查看^{}。(注意,如果要将数据放在具有正值的对角线位置(例如,示例中的3位于位置4),则需要将prepend假数据放在行值上)
举个简单的例子:
import numpy as np import scipy as sp import scipy.sparse diag_rows = np.array([[1, 1, 1, 1, 1, 1, 1], [2, 2, 2, 2, 2, 2, 2], [0, 0, 0, 0, 3, 3, 3]]) positions = [-3, 0, 4] print sp.sparse.spdiags(diag_rows, positions, 10, 10).todense()
[[2 0 0 0 3 0 0 0 0 0] [0 2 0 0 0 3 0 0 0 0] [0 0 2 0 0 0 3 0 0 0] [1 0 0 2 0 0 0 0 0 0] [0 1 0 0 2 0 0 0 0 0] [0 0 1 0 0 2 0 0 0 0] [0 0 0 1 0 0 2 0 0 0] [0 0 0 0 1 0 0 0 0 0] [0 0 0 0 0 1 0 0 0 0] [0 0 0 0 0 0 1 0 0 0]]
使用函数scipy.sparse.diags。
scipy.sparse.diags
示例:
from scipy.sparse import diags import numpy as np # n = 10 k = np.array([np.ones(n-1),-2*np.ones(n),np.ones(n-1)]) offset = [-1,0,1] A = diags(k,offset).toarray()
这将返回:
array([[-2., 1., 0., 0., 0.], [ 1., -2., 1., 0., 0.], [ 0., 1., -2., 1., 0.], [ 0., 0., 1., -2., 1.], [ 0., 0., 0., 1., -2.]])
对于“常规”numpy数组,使用numpy.diag:
您还可以使用“常规”numpy数组通过奇特的索引来实现这一点:
(如果您想更简洁,可以将那些对
np.arange
的调用替换为np.r_
)。E、 g.使用data[np.arange(3)+4, np.arange(3)]
,而不是data[np.r_[:3]+4, np.r_[:3]]
)这将产生:
但是,如果您无论如何都要使用稀疏矩阵,请查看^{} 。(注意,如果要将数据放在具有正值的对角线位置(例如,示例中的3位于位置4),则需要将prepend假数据放在行值上)
举个简单的例子:
这将产生:
使用函数
scipy.sparse.diags
。示例:
这将返回:
相关问题 更多 >
编程相关推荐