代码之家 › 专栏 › 技术社区 › Laura

python中矩阵中While循环中的增量和减量

while-loop matrix dataframe pandas python

Laura · 技术社区 · 1 年前

我创建了一个熊猫数据帧类型的15 x 15矩阵。我想按照以下逻辑对某些单元格进行更改:

矩阵的对角线设置为0
在每一行中,如果0出现在任何位置,则下一列/前五列中的值应更新为1。(df.iloc[i][j]=0->df.iloc[i][j+5]=1或df.iloc[i][j-5]=1

输入(每个单元格为0.9):

row, col = 15, 16
a = pd.DataFrame.from_records([[0.9]*col]*row)
a = a.loc[ : , a.columns != 0]

预期输出:

以下是我当前的脚本(它一直在无休止地运行):

row, col = 15, 16
a = pd.DataFrame.from_records([[0.9]*col]*row)
a = a.loc[ : , a.columns != 0]
column3 = list(a)
for i, j in a.iterrows():
    for k in column3:
        if k == i + 1:
            a.iloc[i][k] = 0


for i, j in a.iterrows():
    for k in column3:
        step = +5 if k <=5 else -5
        while k <= len(a.index):
            if a.iloc[i][k] == 0:
                k += step
                a.iloc[i][k] = 1

pd.set_option('display.max_rows', None)
pd.set_option('display.max_columns', None)
a

非常感谢您的帮助!

1 回复 | 直到 1 年前

mozway 1 年前

我会用 numpy 在这里,用 roll :

# distance to 0
N = 5

# replace diagonal with 0
np.fill_diagonal(a.values, 0)

# build mask
m = (a==0).to_numpy()

# apply mask iteratively
for i in range(1, a.shape[1]//N):
    a[np.roll(m, i*N, axis=1)] = 1

使用熊猫的变体 shift :

N = 5

np.fill_diagonal(a.values, 0)
m = (a==0)

for i in range(1, a.shape[1]//N):
    a[m.shift(i*N, axis=1, fill_value=False)] = 1
    a[m.shift(-i*N, axis=1, fill_value=False)] = 1

输出

     1    2    3    4    5    6    7    8    9    10   11   12   13   14   15
0   0.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9
1   0.9  0.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9
2   0.9  0.9  0.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9
3   0.9  0.9  0.9  0.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9  1.0  0.9
4   0.9  0.9  0.9  0.9  0.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9  1.0
5   1.0  0.9  0.9  0.9  0.9  0.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9
6   0.9  1.0  0.9  0.9  0.9  0.9  0.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9
7   0.9  0.9  1.0  0.9  0.9  0.9  0.9  0.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9
8   0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9  0.0  0.9  0.9  0.9  0.9  1.0  0.9
9   0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9  0.0  0.9  0.9  0.9  0.9  1.0
10  1.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9  0.0  0.9  0.9  0.9  0.9
11  0.9  1.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9  0.0  0.9  0.9  0.9
12  0.9  0.9  1.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9  0.0  0.9  0.9
13  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9  0.0  0.9
14  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9  1.0  0.9  0.9  0.9  0.9  0.0

输出为图像以提高清晰度: