不确定与其他产品相比有多快,但是:def isDiag(M):
i, j = np.nonzero(M)
return np.all(i == j)
编辑让我们计时:
^{pr2}$
嗯,这比较慢,可能是因为构造了i和{}
让我们尝试通过删除减法步骤来改进@donkopotamus解决方案:def b(M):
return np.all(M == np.diag(np.diagonal(M)))
%timeit b(M)
100 loops, best of 3: 4.48 ms per loop
这样好多了。在
EDIT2我想出了一个更快的方法:def isDiag2(M):
i, j = M.shape
assert i == j
test = M.reshape(-1)[:-1].reshape(i-1, j+1)
return ~np.any(test[:, 1:])
这不是做任何计算,只是重塑。结果发现,在对角线矩阵上,将所有数据整形为+1行,会将所有数据放入第一列。然后,您可以检查一个连续块中的任何非零,这对于numpy来说是非常复杂的。让我们检查一下时间:def Make42(m):
b = np.zeros(m.shape)
np.fill_diagonal(b, m.diagonal())
return np.all(m == b)
%timeit b(M)
%timeit Make42(M)
%timeit isDiag2(M)
100 loops, best of 3: 4.88 ms per loop
100 loops, best of 3: 5.73 ms per loop
1000 loops, best of 3: 1.84 ms per loop
看来我的原创比@Make42要快M = np.diag(np.random.randint(0,10,10000))
%timeit b(M)
%timeit Make42(M)
%timeit isDiag2(M)
The slowest run took 35.58 times longer than the fastest. This could mean that an intermediate result is being cached.
1 loop, best of 3: 335 ms per loop
10 loops, best of 3: 76.5 ms per loop
而@Make42在较大的集合上给出内存错误。但我的内存似乎没有他们多。在