Python，Numpy：以不规则顺序将单行复制到多个索引答案

【问题标题】：Python, Numpy: copying single rows to multiple indexes in irregular orderPython，Numpy：以不规则顺序将单行复制到多个索引
【发布时间】：2021-11-06 14:18:28
【问题描述】：

我有一个问题，我需要将一个矩阵的单行复制到更大矩阵中的多个特定行。例如：

            Matrix A:
                [row1]
                [row2]
                [row3]

复制到

            Matrix B:
                [row3]
                [row3] 
                [row2]
                [row2] 
                [row3] 
                [row1]

A 中的值在执行过程中可能会发生变化，但行总是以相同的模式复制到 B。我已经试过了：

            B = A[3,3,2,2,3,1]

但这比我将行逐行放置的简单 for 循环还要慢。我需要使用矩阵大小 A ≈ (500, 500) 和 B ≈ (2000, 500) 尽快完成此操作。有谁知道使用 numpy 矩阵在 python 中执行此操作的更有效方法？

【问题讨论】：

据我所知，问题的大小，即矩阵的大小和数据量非常重要。在与您编写的示例一样小的矩阵示例中，我想方法之间不会有显着差异。在SO上比较一些方法可以看出，在执行一段时间后，与方法相关的总执行时间变得比其他方法少；在总执行时间内从最差到最好。在此类问题中，我建议使用诸如 numpy 之类的库，以及更好的 jax。
你的意思是，没有使用例如A.tolist() 在@sgs 的答案中使用？从B = A[3,3,2,2,3,1] 可以理解，B 中每一行的计数可以变化，即 row3 的计数不等于 row1 的计数（3 ！= 1）。是真的还是 A 的每一行都以相同的计数复制到 B 中？
是的，B 中每个不同行的行数可能不同。我的意思是我总是将它们复制到同一个位置，B 的模式在整个执行过程中是一致的。所以 B 中某些行的计数也保持不变。只是 A 中的值发生了变化，我必须一遍又一遍地重复相同的复制过程。
嗨@Archaon，如果有任何答案解决了您的问题或有帮助，请通过单击复选标记或投票来考虑accepting it。这向更广泛的社区表明您已经找到了解决方案，并为回答者和您自己提供了一些声誉。没有义务这样做。

标签： python arrays numpy matrix copy

【解决方案1】：

正如numpy documentation 中推荐的那样，最好使用数组而不是矩阵。我已经测试了以下代码来比较使用数组和矩阵：

import numpy as np
import timeit
A_arr = np.array([[1, 2], [3, 4], [5, 6]])
A_mat = np.matrix([[1, 2], [3, 4], [5, 6]])
Alist_arr = A_arr.tolist()
Alist_mat = A_mat.tolist()
# using listing
%timeit -n1000 -r5 np.array([Alist_arr[2], Alist_arr[2], Alist_arr[1], Alist_arr[1], Alist_arr[2], Alist_arr[0]])
%timeit -n1000 -r5 np.array([Alist_mat[2], Alist_mat[2], Alist_mat[1], Alist_mat[1], Alist_mat[2], Alist_mat[0]])
%timeit -n1000 -r5 np.matrix([Alist_arr[2], Alist_arr[2], Alist_arr[1], Alist_arr[1], Alist_arr[2], Alist_arr[0]])
%timeit -n1000 -r5 np.matrix([Alist_mat[2], Alist_mat[2], Alist_mat[1], Alist_mat[1], Alist_mat[2], Alist_mat[0]])
# without listing
%timeit -n1000 -r5 np.array([A_arr[2], A_arr[2], A_arr[1], A_arr[1], A_arr[2], A_arr[0]])
%timeit -n1000 -r5 np.array([np.ravel(A_mat[2]), np.ravel(A_mat[2]), np.ravel(A_mat[1]), np.ravel(A_mat[1]), np.ravel(A_mat[2]), np.ravel(A_mat[0])])
%timeit -n1000 -r5 np.matrix([A_arr[2], A_arr[2], A_arr[1], A_arr[1], A_arr[2], A_arr[0]])
%timeit -n1000 -r5 np.matrix([np.ravel(A_mat[2]), np.ravel(A_mat[2]), np.ravel(A_mat[1]), np.ravel(A_mat[1]), np.ravel(A_mat[2]), np.ravel(A_mat[0])])

并取得了以下成果：

1000 loops, best of 5: 6.99 µs per loop
1000 loops, best of 5: 7.16 µs per loop
1000 loops, best of 5: 13.2 µs per loop
1000 loops, best of 5: 13.2 µs per loop
1000 loops, best of 5: 4.32 µs per loop
1000 loops, best of 5: 38.4 µs per loop
1000 loops, best of 5: 11.8 µs per loop
1000 loops, best of 5: 48.1 µs per loop

上述结果表明，使用数组而不是矩阵而不使用列表将具有最少的执行时间。因此，我建议使用以下代码获取 B：

B = np.array([A_arr[2], A_arr[2], A_arr[1], A_arr[1], A_arr[2], A_arr[0]])

希望对您有所帮助。

【讨论】：

【解决方案2】：

我不确定这是否是您正在寻找的，但它看起来相当快

%%timeit
A = np.matrix([[1,2],[3,4],[5,6]])
Alist = A.tolist()  
B = np.matrix([Alist[2],Alist[2],Alist[1],Alist[1],Alist[2],Alist[0]])


13.4 µs ± 82.6 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

【讨论】：

使用 np.array 代替 np.matrix 将时间减半。
OP似乎愿意使用矩阵，这就是我保留它的原因
我的解释可能有点误导，当然 np.arrays 就足够了。我希望有一种不使用标准 python 列表的更快方法，但这已经有帮助了，谢谢