实例用X零，其余的人一个矩阵 [英] Instantiate a matrix with x zeros and the rest ones

问题描述

我想能够快速实例化一个矩阵，其中第一少数细胞中的行（变量的数目）是0，其余的是那些

I would like to be able to quickly instantiate a matrix where the first few (variable number of) cells in a row are 0, and the rest are ones.

想象一下，我们希望有一个3×4矩阵。

Imagine we want a 3x4 matrix.

我第一次实例矩阵所有的：

I have instantiated the matrix first as all ones:

ones = np.ones([4,3])

然后想象我们有公布多少前导零有一个数组：

Then imagine we have an array that announces how many leading zeros there are:

arr = np.array([2,1,3,0]) # first row has 2 zeroes, second row 1 zero, etc

所需的结果：

array([[0, 0, 1],
       [0, 1, 1],
       [0, 0, 0],
       [1, 1, 1]])

显然，这可以在相反的方式进行为好，但我会考虑的办法，其中1为默认值，零会被替换。

Obviously this can be done in the opposite way as well, but I'd consider the approach where 1 is a default value, and zeros would be replaced.

什么是避免一些愚蠢的循环的最佳方式？

What would be the best way to avoid some silly loop?

推荐答案

下面是一个办法。 N 是结果列数。行数由确定LEN（ARR）。

Here's one way. n is the number of columns in the result. The number of rows is determined by len(arr).

In [29]: n = 5

In [30]: arr = np.array([1, 2, 3, 0, 3])

In [31]: (np.arange(n) >= arr[:, np.newaxis]).astype(int)
Out[31]: 
array([[0, 1, 1, 1, 1],
       [0, 0, 1, 1, 1],
       [0, 0, 0, 1, 1],
       [1, 1, 1, 1, 1],
       [0, 0, 0, 1, 1]])

---

有两个部分是如何工作的解释。首先，如何创建 M 的零和 N-M 的人一排？为此，我们使用 np.arange 以创建具有值的行[0，1，...，N-1]`：

---

There are two parts to the explanation of how this works. First, how to create a row with m zeros and n-m ones? For that, we use np.arange to create a row with values [0, 1, ..., n-1]`:

In [35]: n
Out[35]: 5

In [36]: np.arange(n)
Out[36]: array([0, 1, 2, 3, 4])

其次，比较一下阵列 M ：

In [37]: m = 2

In [38]: np.arange(n) >= m
Out[38]: array([False, False,  True,  True,  True], dtype=bool)

这给了布尔值的数组;第一个 M 值是假，其余都是如此。通过转换这些价值观为整数，我们得到0和1组成的数组：

That gives an array of boolean values; the first m values are False and the rest are True. By casting those values to integers, we get an array of 0s and 1s:

In [39]: (np.arange(n) >= m).astype(int)
Out[39]: array([0, 0, 1, 1, 1])

要在一个的阵列执行此的 M 值（你的改编），我们使用广播;这是解释的第二个关键的想法。

To perform this over an array of m values (your arr), we use broadcasting; this is the second key idea of the explanation.

请注意什么改编[:, np.newaxis] 给出：

In [40]: arr
Out[40]: array([1, 2, 3, 0, 3])

In [41]: arr[:, np.newaxis]
Out[41]: 
array([[1],
       [2],
       [3],
       [0],
       [3]])

这就是改编[:, np.newaxis] 重塑改编与形状的二维数组（5，1）。 （ arr.reshape（-1,1）可能被用来代替。）现在，当我们比较这对 np.arange（N）（一维数组长度 N ），在广播踢：

That is, arr[:, np.newaxis] reshapes arr into a 2-d array with shape (5, 1). (arr.reshape(-1, 1) could have been used instead.) Now when we compare this to np.arange(n) (a 1-d array with length n), broadcasting kicks in:

In [42]: np.arange(n) >= arr[:, np.newaxis]
Out[42]: 
array([[False,  True,  True,  True,  True],
       [False, False,  True,  True,  True],
       [False, False, False,  True,  True],
       [ True,  True,  True,  True,  True],
       [False, False, False,  True,  True]], dtype=bool)

由于@RogerFan在他的评论指出，这是基本的参数外的产品，使用方式＆gt; = 操作

最后投中键入 INT 给出期望的结果：

A final cast to type int gives the desired result:

In [43]: (np.arange(n) >= arr[:, np.newaxis]).astype(int)
Out[43]: 
array([[0, 1, 1, 1, 1],
       [0, 0, 1, 1, 1],
       [0, 0, 0, 1, 1],
       [1, 1, 1, 1, 1],
       [0, 0, 0, 1, 1]])

这篇关于实例用X零，其余的人一个矩阵的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！