在其对角线ķ矩阵堆叠创建一个新的大型矩阵

问题描述 投票:2回答:2

升有K(设K这里是7)distincts尺寸(50,50)的矩阵。我想通过使用K矩阵填充它的对角线来创建一个新的矩阵L。因此L是尺寸的(50 * K,50 * K)。

什么l具备试过吗?

K1=np.random.random((50,50)) 
N,N=K1.shape
K=7
out=np.zeros((K,N,K,N),K1.dtype)
np.einsum('ijik->ijk', out)[...] = K1
L=out.reshape(K*N, K*N) # L is of dimension (50*7,50*7)=(350,350)

它确实是由内其对角线堆叠K1七次创建一个新的矩阵L。然而,升想分别堆放K1,K2,K3,K5,K6,K7而非K1七次。

输入:

    K1=np.random.random((50,50)) 
    K2=np.random.random((50,50)) 
    K3=np.random.random((50,50)) 
    K4=np.random.random((50,50)) 
    K5=np.random.random((50,50)) 
    K6=np.random.random((50,50)) 
    K7=np.random.random((50,50)) 

    L=np.zeros((50*7,50*7))#

预期成果:

L[:50,:50]=K1
L[50:100,50:100]=K2
L[100:150,100:50]=K3
L[150:200,150:200]=K4
L[200:250,200:250]=K5
L[250:300,250:300]=K6
L[300:350,300:350]=K7
python-3.x numpy matrix diagonal numpy-einsum
2个回答
2
投票

你可以尝试scipy.linalg.block_diag。如果你看看源,这个功能基本上只是遍历给定块你写作为输出的方式。它可以使用,如:

K1=np.random.random((50,50)) 
K2=np.random.random((50,50)) 
K3=np.random.random((50,50)) 
K4=np.random.random((50,50)) 
K5=np.random.random((50,50)) 
K6=np.random.random((50,50)) 
K7=np.random.random((50,50)) 

L=sp.linalg.block_diag(K1,K2,K3,K4,K5,K6,K7)

如果你有你的K的形状(7,50,50)你可以直接解压它像一个ndarray:

K=np.random.random((7,50,50))

L=sp.linalg.block_diag(*K)

如果你不希望导入SciPy的,你总是可以只写一个简单的循环做什么你的预期产出写的。


1
投票

这里是一个办法做到这一点与NumPy的:

import numpy as np

def put_in_diagonals(a):
    n, rows, cols = a.shape
    b = np.zeros((n * rows, n * cols), dtype=a.dtype)
    a2 = a.reshape(-1, cols)
    ii, jj = np.indices(a2.shape)
    jj += (ii // rows) * cols
    b[ii, jj] = a2
    return b

# Test
a = np.arange(24).reshape(4, 2, 3)
print(put_in_diagonals(a))

输出:

[[ 0  1  2  0  0  0  0  0  0  0  0  0]
 [ 3  4  5  0  0  0  0  0  0  0  0  0]
 [ 0  0  0  6  7  8  0  0  0  0  0  0]
 [ 0  0  0  9 10 11  0  0  0  0  0  0]
 [ 0  0  0  0  0  0 12 13 14  0  0  0]
 [ 0  0  0  0  0  0 15 16 17  0  0  0]
 [ 0  0  0  0  0  0  0  0  0 18 19 20]
 [ 0  0  0  0  0  0  0  0  0 21 22 23]]
© www.soinside.com 2019 - 2024. All rights reserved.