变量交互作用的计算(矩阵中向量的点积)
变量交互作用的计算(矩阵中向量的点积)
提问于 2018-06-06 02:42:56
如果我将一个向量x (1，n)乘以其自身的倒置，即np.dot(x.T, x)，我将得到一个二次型矩阵。
如果我有一个矩阵Xmat (k，n)，我如何有效地计算行式点积并只选择上三角形元素？
所以，自动取款机。我有以下解决方案：
def compute_interaction(x):
xx = np.reshape(x, (1, x.size))
return np.concatenate((x, np.dot(xx.T, xx)[np.triu_indices(xx.size)]))然后，compute_interaction(np.asarray([2,5])) yield array([ 2, 5, 4, 10, 25])。
当我有一个矩阵时，我会使用
np.apply_along_axis(compute_interaction, axis=1, arr = np.asarray([[2,5], [3,4], [8,9]]))这就产生了我想要的：
array([[ 2, 5, 4, 10, 25],
[ 3, 4, 9, 12, 16],
[ 8, 9, 64, 72, 81]])除了使用apply_along_axis之外，还有其他方法可以计算这个值吗？也许可以使用np.einsum
回答 1
Stack Overflow用户
发布于 2018-06-06 07:20:24
In [165]: arr = np.asarray([[2,5], [3,4], [8,9]])
In [166]: arr
Out[166]:
array([[2, 5],
[3, 4],
[8, 9]])
In [167]: compute_interaction(arr[0])
Out[167]: array([ 2, 5, 4, 10, 25])就其价值而言，apply_along_axis只是：
In [168]: np.array([compute_interaction(row) for row in arr])
Out[168]:
array([[ 2, 5, 4, 10, 25],
[ 3, 4, 9, 12, 16],
[ 8, 9, 64, 72, 81]])apply...只是一个方便的工具，可以使多个轴上的迭代更清晰(但不是更快)。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/50706947
复制相关文章
相似问题