อนุญาตให้เมทริกซ์เข้าแทนที่ในจำนวนที่กำหนด

ฉันต้องการแก้ไขเมทริกซ์การเปลี่ยนตารางหนาแน่นในสถานที่โดยการเปลี่ยนลำดับของแถวและคอลัมน์หลายแห่งโดยใช้ไลบรารี่ของ python ศาสตร์นี้สอดคล้องกับการคูณเมทริกซ์ล่วงหน้าโดยเมทริกซ์การเปลี่ยนแปลง P และการโพสต์การคูณด้วย P ^ -1 = P ^ T แต่นี่ไม่ใช่วิธีการแก้ปัญหาที่สมเหตุสมผล

ตอนนี้ฉันกำลังสลับแถวและคอลัมน์ด้วยตนเอง แต่ฉันคาดว่าจะมี numpy ที่มีฟังก์ชั่นที่ดี f (M, v) โดยที่ M มี n แถวและคอลัมน์และ v มีรายการ n ดังนั้นการปรับปรุง f (M, v) M ตามการเปลี่ยนแปลงดัชนี v. บางทีฉันแค่ค้นหาอินเทอร์เน็ตไม่ได้

บางสิ่งเช่นนี้อาจเกิดขึ้นได้กับ "การจัดทำดัชนีขั้นสูง" ของนัมมี่ แต่ความเข้าใจของฉันคือว่าโซลูชันดังกล่าวจะไม่เข้าแทนที่ นอกจากนี้สำหรับสถานการณ์ที่เรียบง่ายบางอย่างมันอาจจะเพียงพอที่จะแยกการติดตามการเปลี่ยนแปลงดัชนี แต่สิ่งนี้ไม่สะดวกในกรณีของฉัน

เพิ่ม:
บางครั้งเมื่อผู้คนพูดถึงการเรียงสับเปลี่ยนพวกเขาหมายถึงการสุ่มตัวอย่างแบบสุ่มเรียงสับเปลี่ยนเท่านั้นตัวอย่างเช่นเป็นส่วนหนึ่งของกระบวนการเพื่อรับค่า p ในสถิติ หรือพวกมันหมายถึงการนับหรือแจกแจงพีชคณิตที่เป็นไปได้ ฉันไม่ได้พูดถึงสิ่งเหล่านี้

เพิ่มเติม:
เมทริกซ์มีขนาดเล็กพอที่จะใส่ลงในเดสก์ท็อปแรม แต่ใหญ่พอที่ฉันไม่ต้องการคัดลอกมันโดยไม่ตั้งใจ จริง ๆ แล้วฉันต้องการใช้เมทริกซ์ที่มีขนาดใหญ่ที่สุดเท่าที่จะเป็นไปได้ แต่ฉันไม่ต้องการที่จะจัดการกับความไม่สะดวกที่ไม่สามารถถือมันไว้ใน RAM และฉันทำการดำเนินการ LAPACK O (N ^ 3) บนเมทริกซ์ซึ่ง จำกัด ขนาดเมทริกซ์ในทางปฏิบัติ ขณะนี้ฉันคัดลอกเมทริกซ์ขนาดใหญ่นี้โดยไม่จำเป็น แต่ฉันหวังว่าจะสามารถหลีกเลี่ยงการเปลี่ยนแปลงได้อย่างง่ายดาย

ตามเอกสารที่ไม่มีในสถานที่วิธีการเปลี่ยนแปลงใน numpy บางอย่างเช่นndarray.sort

ดังนั้นทางเลือกของคุณ (สมมติว่าMเป็นเมทริกซ์และเวกเตอร์การเปลี่ยนแปลง) ที่$N\times N$p

1. การใช้อัลกอริทึมของคุณเองใน C เป็นโมดูลส่วนขยาย (แต่อัลกอริทึมในสถานที่ยากสำหรับฉันอย่างน้อย!)

2. หน่วยความจำ Nค่าใช้จ่าย$N$

   for i in range(N):
       M[:,i] = M[p,i]
   for i in range(N):
       M[i,:] = M[i,p]

3. โอเวอร์เฮดของหน่วยความจำ 2 $N^2$

   M[:,:] = M[p,:]
   M[:,:] = M[:,p]

หวังว่าแฮ็คที่ไม่มีประโยชน์เหล่านี้มีประโยชน์

คำเตือน:ตัวอย่างด้านล่างทำงานได้อย่างถูกต้อง แต่การใช้ชุดเต็มของพารามิเตอร์ที่แนะนำที่ท้ายโพสต์จะทำให้เกิดข้อบกพร่องหรืออย่างน้อยก็เป็น "คุณลักษณะที่ไม่มีเอกสาร" ในฟังก์ชัน numpy.take () ดูความคิดเห็นด้านล่างเพื่อดูรายละเอียด ยื่นรายงานข้อผิดพลาดแล้ว

คุณสามารถทำสิ่งนี้ในสถานที่ด้วยฟังก์ชั่นใช้เวลาของ numpyแต่มันต้องมีการกระโดดห่วง

นี่คือตัวอย่างของการทำการเรียงสับเปลี่ยนแบบสุ่มของแถวเมทริกซ์เอกลักษณ์:

import numpy as np
i = np.identity(10)
rr = range(10)
np.random.shuffle(rr)
np.take(i, rr, axis=0)
array([[ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  1.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  1.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  1.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  1.,  0.,  0.],
       [ 1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  1.]])

สิ่งที่คุณต้องทำคือการระบุพารามิเตอร์ "out" ให้เหมือนกับอาร์เรย์อินพุตและคุณต้องตั้งค่า mode = "clip" หรือ mode = "wrap" หากคุณไม่ได้ตั้งค่าโหมดมันจะทำสำเนาเพื่อเรียกคืนรัฐอาร์เรย์ในข้อยกเว้นหลาม(ดูที่นี่)

ในบันทึกสุดท้ายดูเหมือนว่าจะเป็นวิธีอาร์เรย์ดังนั้นแทนที่จะ

np.take(i, rr, axis=0)

คุณสามารถโทร

i.take(rr, axis=0)

ถ้านั่นเป็นสิ่งที่คุณชื่นชอบ ดังนั้นโดยรวมแล้วการโทรควรมีลักษณะดังนี้

#Inplace Rearrange
arr = makeMyBixMatrix()
pVec0, pVec1 = calcMyPermutationVectors()
arr.take(pVec0, axis=0, out=arr, mode="clip")
arr.take(pVec1, axis=1, out=arr, mode="clip")

เพื่อเปลี่ยนทั้งแถวและคอลัมน์ฉันคิดว่าคุณต้องวิ่งสองครั้งหรือดึง shenanigans ที่น่าเกลียดด้วยnumpy.unravel_indexที่ทำให้ฉันปวดหัว

หากคุณมีเมทริกซ์เบาบางจัดเก็บในCOOรูปแบบต่อไปนี้อาจเป็นประโยชน์

    A.row = perm[A.row];
    A.col = perm[A.col];

ACOOpermnumpy.array$m$$m$

ฉันไม่มีชื่อเสียงพอที่จะแสดงความคิดเห็น แต่ฉันคิดว่าคำถาม SO ต่อไปนี้อาจเป็นประโยชน์: https://stackoverflow.com/questions/4370745/view-onto-a-numpy-array

จุดพื้นฐานคือคุณสามารถใช้การแบ่งส่วนพื้นฐานและที่จะสร้างมุมมองไปยังอาร์เรย์โดยไม่ต้องคัดลอก แต่ถ้าคุณทำการแบ่งส่วน / การทำดัชนีขั้นสูงมันจะสร้างสำเนา

เกี่ยวกับอะไร

my_array [:, [0, 1]] = my_array [:, [1, 0]]