如何用Python向量化高效计算成对Dirac delta核矩阵？

完全可以用Numpy的向量化操作高效实现这个需求，性能远超Python循环遍历的方式。

实现代码 #

import numpy as np

def delta_kernel(X, Y):
    """
    X : ndarray of shape (n_samples_x, n_features_x)
    Y : ndarray of shape (n_samples_y, n_features_y)
    Returns
    kernel_arr : ndarray of shape (n_samples_x, n_samples_y)
    """
    # 验证特征维度一致性
    if X.shape[1] != Y.shape[1]:
        raise ValueError("X和Y的特征维度必须相同")
    
    # 利用广播机制实现逐样本对的全特征比较
    # 扩展维度后，X变为(n_samples_x, 1, n_features)，Y变为(1, n_samples_y, n_features)
    # 逐元素比较后，沿特征轴判断所有元素是否相等
    matches = (X[:, np.newaxis, :] == Y[np.newaxis, :, :]).all(axis=2)
    
    # 转换为int类型的0-1矩阵
    return matches.astype(int)

核心原理 #

• 广播机制：通过np.newaxis给X和Y增加维度，让它们在样本维度上自动完成成对运算，避免显式循环。
• 向量化比较：==操作由Numpy底层C实现，逐元素比较的效率远高于Python原生循环。
• 全特征匹配判断：all(axis=2)沿特征维度判断该样本对的所有特征是否完全相等，直接得到布尔型匹配矩阵，最后转成int类型得到0-1结果。

测试示例 #

X = np.array([[1,2], [3,4], [5,6]])
Y = np.array([[3,4], [1,2], [7,8]])
print(delta_kernel(X, Y))

输出结果：

[[0 1 0]
 [1 0 0]
 [0 0 0]]

内容的提问来源于stack exchange，提问作者ajl123