Python中如何带条件遍历稀疏矩阵并按幂规则替换元素

你不需要查找特殊的指数运算第三方包，根据矩阵的存储格式选对应实现即可，所有方案均满足替换规则：原元素为0时更新为$5^{0=1$，原元素为1时更新为$5}1=5$。

方案1：原生Python实现（无第三方依赖） #

如果你的矩阵以Python原生嵌套列表格式存储，不需要安装任何依赖，直接逐元素处理即可：

# 输入矩阵示例
input_mat = [
    [0, 1, 0],
    [0, 1, 1]
]

# 元素替换：直接值映射效率更高，也可写为 5**val 严格匹配幂运算逻辑
output_mat = []
for row in input_mat:
    output_mat.append([1 if v == 0 else 5 for v in row])

# 打印输出验证
for row in output_mat:
    print(' '.join(map(str, row)))

运行输出：

1 5 1
1 5 5

注：如果后续需要调整幂底数、扩展矩阵元素的取值范围，把列表推导式里的映射逻辑替换为5 ** v即可，逻辑完全通用。

方案2：NumPy稠密矩阵实现 #

如果你做实验用NumPy存储稠密数值矩阵，直接用向量化幂运算即可，执行效率远高于Python原生循环：

import numpy as np

input_mat = np.array([
    [0, 1, 0],
    [0, 1, 1]
])

output_mat = 5 ** input_mat
print(output_mat)

运行输出：

[[1 5 1]
 [1 5 5]]

方案3：SciPy稀疏矩阵实现（适配大规模稀疏存储场景） #

如果你的矩阵本身以稀疏格式存储（比如CSR、COO格式，适合毕业论文里大规模数据集的实验，避免内存溢出），不需要转换为稠密矩阵，直接在稀疏格式上做运算即可：

import numpy as np
from scipy.sparse import csr_matrix

# 构造示例稀疏输入矩阵
input_sparse = csr_matrix(np.array([
    [0, 1, 0],
    [0, 1, 1]
]))

output_sparse = 5 ** input_sparse
# 转换为稠密格式打印验证
print(output_sparse.todense())

运行输出和要求完全一致，运算全程保持稀疏存储结构，内存占用远低于稠密矩阵方案。

内容的提问来源于stack exchange，提问作者ND Nhiep