使用稀疏索引和值更新 numpy 数组
Update numpy array with sparse indices and values
我有一个一维 numpy 数组，想存储它的稀疏更新。
假设我有一个长度为 500000 的数组，并且想要对 100 个元素进行 100 次更新。更新要么是添加，要么只是更改值（我认为这不重要）。
使用 numpy 的最佳方法是什么？
我只想存储两个数组：索引，values_to_add，因此有两个对象：一个存储密集矩阵，另一个只保存要添加的索引和值，我可以用密集矩阵做这样的事情：
dense_matrix[indices] += values_to_add
如果我有多个更新，我只是将它们连接起来。
但是这种 numpy 语法不适用于重复的元素：它们只是被忽略了。
当我们有一个重复索引的更新时更新对是 O(n)。我想到了用dict代替array来存储更新，从复杂度上看还不错，但是numpy风格看起来不太好
实现这一目标的最具表现力的方式是什么？我知道 scipy 个稀疏对象，但是 (1) 我想要纯 numpy，因为 (2) 我想了解实现它的最有效方法。
如果您有重复的索引，您可以使用 at，来自文档：
Performs unbuffered in place operation on operand ‘a’ for elements
specified by ‘indices’. For addition ufunc, this method is equivalent
to a[indices] += b, except that results are accumulated for elements
that are indexed more than once.
代码
a = np.arange(10)
indices = [0, 2, 2]
np.add.at(a, indices, [-44, -55, -55])
print(a)
输出
[ -44 1 -108 3 4 5 6 7 8 9]
我有一个一维 numpy 数组，想存储它的稀疏更新。 假设我有一个长度为 500000 的数组，并且想要对 100 个元素进行 100 次更新。更新要么是添加，要么只是更改值（我认为这不重要）。
使用 numpy 的最佳方法是什么？ 我只想存储两个数组：索引，values_to_add，因此有两个对象：一个存储密集矩阵，另一个只保存要添加的索引和值，我可以用密集矩阵做这样的事情：
dense_matrix[indices] += values_to_add
如果我有多个更新，我只是将它们连接起来。
但是这种 numpy 语法不适用于重复的元素：它们只是被忽略了。
当我们有一个重复索引的更新时更新对是 O(n)。我想到了用dict代替array来存储更新，从复杂度上看还不错，但是numpy风格看起来不太好
实现这一目标的最具表现力的方式是什么？我知道 scipy 个稀疏对象，但是 (1) 我想要纯 numpy，因为 (2) 我想了解实现它的最有效方法。
如果您有重复的索引，您可以使用 at，来自文档：
Performs unbuffered in place operation on operand ‘a’ for elements specified by ‘indices’. For addition ufunc, this method is equivalent to a[indices] += b, except that results are accumulated for elements that are indexed more than once.
代码
a = np.arange(10)
indices = [0, 2, 2]
np.add.at(a, indices, [-44, -55, -55])
print(a)
输出
[ -44 1 -108 3 4 5 6 7 8 9]