如何用NumPy切片从随机索引提取邻接矩阵子矩阵？

嘿，这个需求用NumPy的整数数组索引就能轻松搞定，完全不需要循环判断，代码简洁又高效！

核心思路 #

NumPy支持直接用整数数组来选择多维数组中的特定行和列。对于你的场景，只需要用给定的索引列表idx同时指定要提取的行和列，就能一步得到目标子矩阵。

具体实现代码 #

import numpy as np

# 原邻接矩阵
Y = np.array([[0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0.], 
              [0., 0., 0., 0., 0., 1., 1., 0., 1., 0., 0., 0., 0., 0., 0.], 
              [0., 0., 0., 0., 1., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0.], 
              [0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 1., 0., 0., 1., 0.], 
              [0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 1., 0.], 
              [0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], 
              [0., 1., 0., 1., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 1.], 
              [0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0.], 
              [1., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 0., 1.], 
              [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0.], 
              [0., 0., 0., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0.], 
              [0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 1., 1.], 
              [0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 0., 0., 0., 0., 0.], 
              [0., 0., 0., 1., 1., 0., 0., 0., 0., 0., 1., 1., 0., 0., 0.], 
              [0., 0., 0., 0., 0., 0., 1., 0., 1., 0., 0., 1., 0., 0., 0.]])

# 随机索引列表
idx = [0, 3, 7, 10, 14]

# 一步提取子矩阵
Yhat = Y[idx, idx]

# 转换为整数类型（可选，根据需求调整）
Yhat = Yhat.astype(int)

print(Yhat)

输出结果 #

运行后你会得到和预期完全一致的子矩阵：

[[0 0 0 0 0]
 [0 0 0 1 0]
 [0 0 0 0 0]
 [0 1 0 0 0]
 [0 0 0 0 0]]

为什么这能行？ #

• 第一个idx参数指定了要提取的行，第二个idx指定了对应的列。
• NumPy会自动匹配行和列的索引，生成两个维度索引的交集子矩阵，这比循环判断高效得多，尤其是当矩阵规模较大时。

内容的提问来源于stack exchange，提问作者NicolaiF