在numpy中就地置换矩阵

我想通过使用python的numpy库更改其若干行和列的顺序来就地修改密集的正方形转换矩阵。从数学上讲，这对应于将矩阵乘以置换矩阵P并将其乘以P ^ -1 = P ^ T，但这并不是计算合理的解决方案。

现在，我正在手动交换行和列，但是我希望numpy有一个不错的函数f（M，v），其中M具有n行和列，而v具有n项，以便f（M，v）更新M根据索引排列v。也许我只是在搜索互联网上失败了。

numpy的“高级索引”可能会发生这种情况，但是我的理解是这样的解决方案不会就位。同样，对于某些简单情况，仅跟踪索引排列可能就足够了，但是在我的情况下这并不方便。

补充：
有时当人们谈论排列时，它们仅表示对随机排列进行采样，例如，这是在统计中获取p值的过程的一部分。或者，它们的意思是计数或枚举所有可能的排列。我不是在谈论这些事情。

补充：
矩阵足够小以适合桌面RAM，但又足够大，我不想深思熟虑地复制它。实际上，我想使用尽可能大的矩阵，但我不想处理无法将其保存在RAM中的不便，并且我会对矩阵执行O（N ^ 3）LAPACK运算，这也会限制实际矩阵的大小。我目前不必要地复制这么大的矩阵，但我希望可以很容易地避免这种排列的情况。

根据文档，在numpy中没有就地置换方法，类似于ndarray.sort。

M$N\times N$p

1. 在C中实现自己的算法作为扩展模块（但是就地算法很难，至少对我而言！）

2. $N$

   for i in range(N):
       M[:,i] = M[p,i]
   for i in range(N):
       M[i,:] = M[i,p]

3. $N^2$

   M[:,:] = M[p,:]
   M[:,:] = M[:,p]

希望这些次优的hacks有用。

警告：以下示例正常运行，但是使用在后期建议的完整参数集会暴露numpy.take（）函数中的bug或至少一个“未记录的功能”。有关详细信息，请参见下面的评论。 错误报告已提交。

您可以使用numpy的take（）函数就地执行此操作，但是它需要一些箍跳。

这是对一个单位矩阵的行进行随机排列的示例：

import numpy as np
i = np.identity(10)
rr = range(10)
np.random.shuffle(rr)
np.take(i, rr, axis=0)
array([[ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  1.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  1.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  1.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  1.,  0.,  0.],
       [ 1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  1.]])

要做到这一点原地的，所有你需要做的是指定的“out”参数是一样的输入数组和您必须设置模式=“夹”或模式=“包装”。如果不设置模式，它将在Python异常下进行复制以恢复阵列状态（请参见此处）。

最后一点，take似乎是一个数组方法，所以代替

np.take(i, rr, axis=0)

你可以打电话

i.take(rr, axis=0)

如果这更符合您的口味。因此，总的来说，您的呼叫应类似于以下内容：

#Inplace Rearrange
arr = makeMyBixMatrix()
pVec0, pVec1 = calcMyPermutationVectors()
arr.take(pVec0, axis=0, out=arr, mode="clip")
arr.take(pVec1, axis=1, out=arr, mode="clip")

要置换行和列，我认为您要么必须运行两次，要么使用numpy.unravel_index拉一些丑陋的恶作剧，这让我难以思考。

如果您以COO格式存储稀疏矩阵，则以下内容可能会有所帮助

    A.row = perm[A.row];
    A.col = perm[A.col];

ACOOpermnumpy.array$m$$m$

我没有足够的声誉来发表评论，但我认为以下SO问题可能会有所帮助：https : //stackoverflow.com/questions/4370745/view-onto-a-numpy-array

其基本点是，你可以使用基本的切片，这将创建到阵列的视图，而无需拷贝，但如果这样做先进的切片/索引那么它会创建一个副本。

关于什么

my_array [：，[0，1]] = my_array [：，[1，0]]