我有一个 70x70 的 numpy ndarray，主要是对角线。唯一的非对角线值是对角线下方的值。我想让矩阵对称。
作为来自 Matlab 世界的新手，如果没有 for 循环，我将无法让它工作。在 MATLAB 中很容易：
W = max(A,A')
其中A' 是矩阵转置，max() 函数负责制作对称的 W 矩阵。
在 Python 中也有一种优雅的方法吗？
示例
样本A矩阵为：
1 0 0 0
0 2 0 0
1 0 2 0
0 1 0 3
想要的输出矩阵W是：
1 0 1 0
0 2 0 1
1 0 2 0
0 1 0 3
【问题讨论】：
标签： python matlab numpy matrix
找到以下适合我的解决方案：
import numpy as np
W = np.maximum( A, A.transpose() )
【讨论】：
A很大，那么这会浪费很多空间，因为我想它会创建第二个矩阵，或者不是吗？
W = (A + A.transpose()) / 2
如下使用 NumPy tril 和 triu 函数。它本质上是将下三角形中的元素“镜像”到上三角形中。
import numpy as np
A = np.array([[1, 0, 0, 0], [0, 2, 0, 0], [1, 0, 2, 0], [0, 1, 0, 3]])
W = np.tril(A) + np.triu(A.T, 1)
tril(m, k=0) 获取矩阵m 的下三角形（返回矩阵m 的副本，其中kth 对角线上方的所有元素都归零）。同样，triu(m, k=0) 获取矩阵 m 的上三角形（kth 对角线下方的所有元素都归零）。
为防止对角线被添加两次，必须使用np.tril(A) + np.triu(A.T, 1) 或np.tril(A, -1) + np.triu(A.T) 从其中一个三角形中排除对角线。
另请注意，这与使用 maximum 的行为略有不同。上三角形中的所有元素都被覆盖，无论它们是否为最大值。这意味着它们可以是任何值（例如 nan 或 inf）。
【讨论】：
就其价值而言，使用您提到的 MATLAB 的 numpy 等效项比添加的 link @plonser 更有效。
In [1]: import numpy as np
In [2]: A = np.zeros((4, 4))
In [3]: np.fill_diagonal(A, np.arange(4)+1)
In [4]: A[2:,:2] = np.eye(2)
# numpy equivalent to MATLAB:
In [5]: %timeit W = np.maximum( A, A.T)
100000 loops, best of 3: 2.95 µs per loop
# method from link
In [6]: %timeit W = A + A.T - np.diag(A.diagonal())
100000 loops, best of 3: 9.88 µs per loop
较大矩阵的计时可以类似地完成：
In [1]: import numpy as np
In [2]: N = 100
In [3]: A = np.zeros((N, N))
In [4]: A[2:,:N-2] = np.eye(N-2)
In [5]: np.fill_diagonal(A, np.arange(N)+1)
In [6]: print A
Out[6]:
array([[ 1., 0., 0., ..., 0., 0., 0.],
[ 0., 2., 0., ..., 0., 0., 0.],
[ 1., 0., 3., ..., 0., 0., 0.],
...,
[ 0., 0., 0., ..., 98., 0., 0.],
[ 0., 0., 0., ..., 0., 99., 0.],
[ 0., 0., 0., ..., 1., 0., 100.]])
# numpy equivalent to MATLAB:
In [6]: %timeit W = np.maximum( A, A.T)
10000 loops, best of 3: 28.6 µs per loop
# method from link
In [7]: %timeit W = A + A.T - np.diag(A.diagonal())
10000 loops, best of 3: 49.8 µs per loop
N = 1000
# numpy equivalent to MATLAB:
In [6]: %timeit W = np.maximum( A, A.T)
100 loops, best of 3: 5.65 ms per loop
# method from link
In [7]: %timeit W = A + A.T - np.diag(A.diagonal())
100 loops, best of 3: 11.7 ms per loop
【讨论】：
A.transpose() 换成 A.T 以指出它们是相同的，并且需要更少的输入 (docs.scipy.org/doc/numpy/reference/generated/…)。