不使用numpy的Python稀疏矩阵相减代码如何编写

现有代码核心问题 #

• 仅遍历了第一个矩阵的坐标键，后续矩阵存在但第一个矩阵不存在的坐标完全没有纳入计算，导致输出丢失对应键值
• 三层嵌套循环完全冗余，无意义遍历会大幅降低运行效率，且实际计算逻辑和内层循环无关

优化实现思路 #

• 先收集所有输入矩阵中出现过的全部坐标键，从根源上避免坐标遗漏
• 以第一个矩阵的对应坐标值为初始值，依次减去后续所有矩阵同一坐标的取值（坐标不存在时默认取0）
• 兼容任意数量的输入矩阵，不限制仅能处理3个矩阵的场景

优化后代码 #

def sparse_matrices(matrix_list):
    # 收集所有矩阵出现过的坐标键
    all_keys = set()
    for mat in matrix_list:
        all_keys.update(mat.keys())
    result = {}
    # 逐个坐标计算减法结果
    for key in all_keys:
        # 初始值取第一个矩阵的对应坐标值，不存在则为0
        val = matrix_list[0].get(key, 0)
        # 依次减去后续所有矩阵的对应坐标值
        for sub_mat in matrix_list[1:]:
            val -= sub_mat.get(key, 0)
        result[key] = val
    return result

# 测试示例
if __name__ == "__main__":
    test_input = [{(1, 3): 2, (2, 7): 1}, {(1, 3): 6, (9,10): 7}, {(2,7): 0.5, (4,2): 10}]
    print(sparse_matrices(test_input))
    # 输出：{(1, 3): -4, (2, 7): 0.5, (9, 10): -7, (4, 2): -10}

代码优势 #

• 完全不依赖numpy等第三方库，符合需求
• 输出结果和题目预期完全一致，不会遗漏仅在后续矩阵中出现的坐标
• 时间复杂度为O(n)，n为所有矩阵的总键数，运行效率远高于原有实现
• 支持任意数量的输入矩阵，适配性更强

内容的提问来源于stack exchange，提问作者KOpyko