如何将字符串矩阵转换为PyTorch布尔张量（非遍历实现）

方法1：借助NumPy实现向量化转换 #

先将字符串列表转换为NumPy数组，通过向量化比较判断是否为空字符串，再转换为PyTorch张量：

import numpy as np
import torch

# 你的原始字符串矩阵
edge_matrix = [
    ['SELF', '', '', '', ''],
    ['nsubj', 'SELF', '', '', ''],
    ['', 'compound', 'SELF', '', ''],
    ['dobj', '', '', 'SELF', ''],
    ['pobj', '', '', '', 'SELF']
]

# 一步完成转换：数组比较+转张量
edge_mask = torch.tensor(np.array(edge_matrix) != "", dtype=torch.float32)
# 若需要布尔类型张量，改为 dtype=torch.bool

方法2：纯PyTorch原生实现 #

直接将字符串列表转为PyTorch字符串张量，再执行向量化比较：

import torch

edge_matrix = [
    ['SELF', '', '', '', ''],
    ['nsubj', 'SELF', '', '', ''],
    ['', 'compound', 'SELF', '', ''],
    ['dobj', '', '', 'SELF', ''],
    ['pobj', '', '', '', 'SELF']
]

# 字符串张量转置+向量化比较
str_tensor = torch.tensor(edge_matrix, dtype=torch.str)
edge_mask = (str_tensor != "").float()
# 布尔类型直接取 str_tensor != "" 即可

原理说明 #

这两种方法都利用了向量化操作，底层由PyTorch/NumPy的优化代码批量处理所有元素，避免了手动嵌套循环的开销，尤其在矩阵规模较大时，效率提升明显。

内容的提问来源于stack exchange，提问作者AfonsoSalgadoSousa