如何用Python的block_diag函数构造指定分块对角矩阵

一、第一类矩阵（重复N个A）的代码原理 #

你能用的me = sparse.block_diag(A for _ in range(int(N)))能运行，核心要搞懂两点：

• sparse.block_diag的输入要求：它只接受可迭代的矩阵/数组序列，会把序列里的每个矩阵依次放在大矩阵的对角线上，拼成分块对角矩阵。
• A for _ in range(int(N))是Python的生成器表达式：它会循环N次，每次输出一个A，相当于生成了一个包含N个A的可迭代序列，不用提前把所有A存成列表，能节省内存。
  简单说就是：告诉block_diag「把A重复N次，挨个放在对角线上」。

二、第二类矩阵（首尾k+中间N个A）的正确实现 #

你之前的写法报错，根源有两个：

1. sparse.block_diag只接受一个可迭代序列参数，你直接传k, 生成器, k相当于传了三个参数，不符合接口要求。
2. k是单个实数，不是矩阵/数组，block_diag无法直接把标量当成对角块，必须把k转换成1x1的矩阵形式。

正确写法示例 #

from scipy import sparse

# 把k转成1x1的稀疏矩阵，让block_diag能识别为对角块
k_block = sparse.csr_matrix([[k]])
# 拼接出完整的块序列：首块k + 中间N个A + 尾块k
blocks = [k_block] + [A for _ in range(int(N))] + [k_block]
# 构造目标分块对角矩阵
mo = sparse.block_diag(blocks)

简化写法（用numpy数组包装k） #

如果不想用稀疏矩阵包装k，也可以用numpy的1x1数组，block_diag会自动转成稀疏矩阵处理：

import numpy as np
from scipy import sparse

k_block = np.array([[k]])
blocks = [k_block] + [A]*int(N) + [k_block]
mo = sparse.block_diag(blocks)

额外注意点 #

• 如果A本身是稀疏矩阵，整个构造过程都是稀疏操作，效率很高；如果A是numpy数组，block_diag会自动将其转换为稀疏矩阵。
• 生成器表达式A for _ in range(N)和列表[A]*N的区别：前者按需生成A实例，后者直接创建N个A的引用（如果A是可变对象如numpy数组，两者效果一致，但生成器更节省内存）。

内容的提问来源于stack exchange，提问作者ceciled