Matlab中高效生成多次右移2位补零复制矩阵的方法求助

嘿，我太懂这种循环卡壳的痛苦了——用for循环逐行动态扩展矩阵，再加上用错了的circshift（它是循环移位，会把右边元素挪到左边，完全不是你要的左补零右移效果），效率能高才怪。咱们直接上向量化+预分配的方案，彻底摆脱低效循环！

先明确需求（避免误解） #

你要的效果应该是：

• 原矩阵myMat是2×249，每行是一个1×249的向量
• 对每一行，生成若干行新向量：第1行是原向量，第2行是原向量右移2位、左侧补2个零，第3行右移4位、左侧补4个零……以此类推
• 最终把所有这些移位后的行拼接成矩阵A

核心优化思路 #

原来的方法慢有两个致命问题：

1. 动态扩展矩阵：A = [A; new_row]会让Matlab反复分配新内存、复制旧数据，次数越多越慢
2. 逐行循环+错误函数：Matlab循环本身开销不算大，但结合动态扩展就雪上加霜，而且circshift根本不适合你的补零移位需求

方案1：移位后保留完整长度（列数随最大移位增加） #

如果希望所有移位后的行长度一致（等于原长度+最大移位位数），比如要生成M次移位（包括原向量），最终A的列数是249 + 2*(M-1)，可以用稀疏矩阵构造的方法一步到位：

% 示例输入：2×249的矩阵
myMat = [1 0 -1 zeros(1, 246); rand(1, 249)]; 
L = size(myMat, 2); % 原向量长度249
M = 50; % 要生成的移位次数（包括原向量，共50行/原行）
total_cols = L + 2*(M-1); % 最终矩阵的列数

A = [];
for row_idx = 1:size(myMat, 1)
    v = myMat(row_idx, :);
    % 构造行、列索引和对应的值
    row_indices = repmat((1:M)', 1, L);
    col_indices = repmat(2*(0:M-1)', 1, L) + repmat(1:L, M, 1);
    values = repmat(v, M, 1);
    % 用稀疏矩阵快速生成移位后的矩阵，再转成全矩阵
    shifted_mat = sparse(row_indices, col_indices, values, M, total_cols);
    shifted_mat = full(shifted_mat);
    % 拼接当前行的所有移位结果到A
    A = [A; shifted_mat];
end

方案2：移位后保持原长度（截断右侧元素） #

如果要求所有移位后的行长度还是249（右移后右侧超出的元素直接丢弃），可以用索引掩码的方法构造，同样避免逐行循环：

myMat = [1 0 -1 zeros(1, 246); rand(1, 249)]; 
L = size(myMat, 2);
M = floor(L/2) + 1; % 最大移位次数（避免移位后无有效元素）
shift_steps = 0:2:2*(M-1); % 每次移位的步数：0,2,4,...

A = [];
for row_idx = 1:size(myMat, 1)
    v = myMat(row_idx, :);
    % 构造行、列索引矩阵
    row_idx_mat = repmat(1:M, 1, L)';
    col_idx_mat = repmat(1:L, M, 1) + repmat(shift_steps', 1, L);
    % 只保留列索引不超过原长度的位置
    valid_mask = col_idx_mat <= L;
    % 提取有效索引和对应的值
    rows = row_idx_mat(valid_mask);
    cols = col_idx_mat(valid_mask);
    vals = repmat(v, M, 1);
    vals = vals(valid_mask);
    % 生成移位后的矩阵
    shifted_mat = sparse(rows, cols, vals, M, L);
    shifted_mat = full(shifted_mat);
    % 拼接
    A = [A; shifted_mat];
end

为什么这个方案更快？ #

1. 预分配内存：稀疏矩阵构造时直接指定了最终的矩阵大小，避免了动态扩展的内存开销
2. 向量化操作：所有移位操作通过矩阵索引一次性完成，没有逐行的循环开销
3. 正确的移位逻辑：彻底替换了不适合的circshift，直接实现左补零的右移效果

额外小技巧 #

如果你的M非常大（比如上千次），可以保留稀疏矩阵格式直接使用，不需要转成full，稀疏矩阵的运算和存储效率会更高。

内容的提问来源于stack exchange，提问作者cholo14