如何构造1000x1000对称矩阵？对角线为1其余为0.5

Hey there! Creating a 1000x1000 symmetric matrix with 1s on the diagonal and 0.5 for all other elements is totally straightforward—we can do this efficiently without overcomplicating things or wasting memory. Let’s walk through the best approaches.

方法1：NumPy 快速生成（最推荐） #

NumPy is perfect for this kind of matrix operation, thanks to its optimized, vectorized functions. Here's the step-by-step:

• First, create a matrix filled entirely with 0.5 (this is already symmetric by default)
• Then, overwrite the diagonal elements with 1s

Here’s the code:

import numpy as np

# 生成1000x1000的全0.5矩阵
matrix = np.full((1000, 1000), 0.5)

# 将对角线元素设置为1
np.fill_diagonal(matrix, 1)

# 可选：验证矩阵的对称性
assert np.allclose(matrix, matrix.T)  # 检查矩阵是否与其转置相等

关于内存的小提示：一个1000x1000的float64矩阵仅占用约8MB内存（100010008字节），完全不用担心内存问题。np.fill_diagonal函数比手动遍历每个对角线元素快得多，因为它底层是用C实现的。

方法2：对称稀疏矩阵优化（适合超大规模场景） #

如果你以后需要处理更大的对称矩阵（比如10万x10万），存储完整矩阵会浪费一半内存（因为上三角和下三角元素完全相同）。这种情况下，可以用稀疏存储来节省空间。虽然这对1000x1000的矩阵来说不是必须的，但也是个实用技巧：

import numpy as np
from scipy.sparse import lil_matrix, csr_matrix

# 初始化一个空的稀疏矩阵
sparse_matrix = lil_matrix((1000, 1000))

# 设置对角线元素为1
sparse_matrix.setdiag(1)

# 获取上三角（非对角线）的索引
rows, cols = np.triu_indices(1000, k=1)
# 填充上三角为0.5，再镜像到下三角以保证对称性
sparse_matrix[rows, cols] = 0.5
sparse_matrix[cols, rows] = 0.5

# 转换为CSR格式以提升运算效率
sparse_matrix = sparse_matrix.tocsr()

# 可选：验证对称性
assert np.allclose(sparse_matrix.toarray(), sparse_matrix.toarray().T)

这种方法只存储唯一元素，但对于当前1000x1000的场景，全量NumPy矩阵更简单且效率相当。

务必避免手动循环！ #

别用Python循环来填充这个矩阵——不仅慢，而且完全没必要。NumPy的向量化操作能在毫秒级完成任务，而纯Python循环则需要好几秒才能处理同样的规模。

内容的提问来源于stack exchange，提问作者epsilonfox