如何基于一维数组笛卡尔积创建配对类型Torch张量矩阵

可以通过广播生成行列对比矩阵，直接基于条件赋值，实现更简洁高效，完全匹配需求：

import numpy as np
import torch

# 原数组
arr = np.array(['A', 'B', 'B', 'B', 'C', 'C', 'C', 'C'])

# 将字符串映射为类别索引：A→0，B→1，C→2
_, idx = np.unique(arr, return_inverse=True)
idx = torch.tensor(idx)

# 生成行矩阵（8×1）和列矩阵（1×8），广播为8×8的行列对比矩阵
row = idx.unsqueeze(1)  # shape: (8,1)
col = idx.unsqueeze(0)  # shape: (1,8)

# 初始化全0结果张量
result = torch.zeros((8,8), dtype=torch.int32)

# 按条件赋值
result[(row == 0) & (col == 1)] = 1  # A→B的位置设1
result[(row == 1) & (col == 2)] = 2  # B→C的位置设2

print(result)

输出结果： #

tensor([[0, 1, 1, 1, 0, 0, 0, 0],
        [0, 0, 0, 0, 2, 2, 2, 2],
        [0, 0, 0, 0, 2, 2, 2, 2],
        [0, 0, 0, 0, 2, 2, 2, 2],
        [0, 0, 0, 0, 0, 0, 0, 0],
        [0, 0, 0, 0, 0, 0, 0, 0],
        [0, 0, 0, 0, 0, 0, 0, 0],
        [0, 0, 0, 0, 0, 0, 0, 0]], dtype=torch.int32)

思路说明： #

1. 类别索引映射：先用np.unique把字符串转换成连续整数索引，方便后续条件判断；
2. 广播构建对比矩阵：通过unsqueeze分别扩展行和列的维度，利用PyTorch的广播机制自动生成8×8的行列元素对比矩阵，避免了笛卡尔积的繁琐转换；
3. 条件赋值：直接通过布尔索引定位目标位置，精准赋值1和2，其余位置保持初始的0，逻辑清晰直观，计算效率也更高。

内容的提问来源于stack exchange，提问作者Xaume