我不熟悉列表推导，但我想使用列表推导来计算bray-curtis相似度。不同之处在于
def bray(x):
bray_diss = np.zeros((x.shape[0], x.shape[0]))
for i in range(0, bray_diss.shape[0]):
bray_diss[i,i] = 0
for j in range(i+1, bray_diss.shape[0]):
l1_diff = abs(x[i,:] - x[j,:])
l1_sum = x[i,:] + x[j,:] + 1
bray_diss[i,j] = l1_diff.sum() / l1_sum.sum()
bray_diss[j,i] = bray_diss[i,j]
return bray_diss
我尝试过类似的东西：
def bray(x):
[[((abs(x[i,:] - x[j,:])).sum() / (x[i,:] + x[j,:] + 1).sum()) for j in range(0, x.shape[0])] for i in range(0, x.shape[0])]
没有成功，我无法弄清楚出了什么问题！而且，在第一种实现中，不对所有矩阵行值执行第二循环以节省计算时间，如何利用列表理解来实现呢？
谢谢 ！
除了更好地理解列表理解之外，你不会获得任何列表理解的东西！你必须要理解的是列表理解是一个功能概念。我不会介绍函数式编程细节，但你必须记住函数式编程禁止副作用。一个例子：
my_matrix = np.zeros(n, n)
for i in range(n):
for j in range(n):
my_matrix[i,j] = value_of_cell(i,j)
最后一行是副作用：你修改qazxsw poi的状态。相比之下，副作用免费版本可以：
my_matrix您没有“create-then-assign”序列：您通过声明每个位置的值来创建矩阵。更确切地说，要创建一个矩阵：
np.array([[value_of_cell(i,j) for j in range(n)] for i in range(n)])
，你不能用它来声明另一个单元格的值（例如(i,j)）（如果您需要稍后转换矩阵，则必须重新创建它。这就是为什么这种方法在时间和空间上可能很昂贵。）
现在，看看你的代码。当你编写列表理解时，一个好的经验法则是使用辅助函数，因为它们有助于清理代码（我们不试图在这里创建单行）：
(j,i)那更干净了。你下一步怎么做？在上面的代码中，您选择迭代大于def bray(x):
n = x.shape[0] # cleaner than to repeat x.shape[0] everywhere
def diss(i,j): # I hope it's correct
l1_diff = abs(x[i,:] - x[j,:])
l1_sum = x[i,:] + x[j,:] + 1
return l1_diff.sum() / l1_sum.sum()
bray_diss = np.zeros((n, n))
for i in range(n): # range(n) = range(0,n)
# bray_diss[i,i] = 0 <-- you don't need to set it to zero here
for j in range(i+1, n):
bray_diss[i,j] = diss(i,j)
bray_diss[j,i] = bray_diss[i,j]
return bray_diss
的j并一次设置两个值。但是在列表理解中，你不选择单元格：列表理解为每个单元格提供坐标，你必须声明这些值。
首先，让我们尝试每次迭代只设置一个值，即使用两个循环：
i那更好。其次，我们需要为矩阵的每个单元格分配一个值，而不仅仅是预填充零并选择我们不想更新的单元格：
def bray(x):
...
bray_diss = np.zeros((n, n))
for i in range(n):
for j in range(i+1, n):
bray_diss[i,j] = inner(i,j)
for i in range(n):
for j in range(i):
bray_diss[i,j] = bray_diss[j,i]
return bray_diss
一个简短的版本，使用Python的“伪三元条件运算符”：
def bray(x):
...
bray_diss = np.zeros((n, n))
for i in range(n):
for j in range(n):
if j>i: # j in range(i+1, n)
bray_diss[i,j] = inner(i,j) # top right corner
else # j in range(i+1)
bray_diss[i,j] = 0. # zeroes in the bottom left corner + diagonal
for i in range(n):
for j in range(n):
if j<i: # j in range(i)
bray_diss[i,j] = bray_diss[j,i] # fill the bottom left corner now
else # j in range(i, n)
bray_diss[i,j] = bray_diss[i,j] # top right corner + diagonal is already ok
return bray_diss
现在我们可以把它变成列表理解：
def bray(x):
...
bray_diss = np.zeros((n, n))
for i in range(n):
for j in range(n):
bray_diss[i,j] = inner(i,j) if j>i else 0.
for i in range(n):
for j in range(n):
bray_diss[i,j] = bray_diss[j,i] if j<i else bray_diss[i,j]
return bray_diss
并且，如果我没有错，那就更简单了（最终版本）：
def bray(x):
...
bray_diss_top_right = np.array([[diss(i,j) if j>i else 0. for j in range(n)] for i in range(n)])
bray_diss = np.array([[bray_diss_top_right[j,i] if j<i else bray_diss_top_right[i,j] for j in range(n)] for i in range(n)])
return bray_diss
请注意，这个版本可能（我没有测量）比你的版本慢，但在我看来，矩阵的构建方式更容易掌握。