我有一个m x n的矩阵，每一行是一个样本，每一列是一个类别。每行包含每个类别的软最大概率。我想将每行的最大值替换为1，其余值替换为0。如何在Python中高效地完成这个操作？

回答：

我认为对你这个问题的最佳回答是使用矩阵类型对象。

考虑到矩阵的大部分元素都是零，使用稀疏矩阵在存储大量大尺寸矩阵时应该是最节省内存的。这在内存使用方面应该优于直接使用numpy数组，特别是对于两个维度都非常大的矩阵，即使计算速度可能没有那么快，但在内存使用上更有优势。

import numpy as npimport scipy       #旧版本可能需要`import scipy.sparse`matrix = np.matrix(np.random.randn(10, 5))maxes = matrix.argmax(axis=1).A1                                 # 之前是.A[:,0]，稍微快一些，但.A1看起来更易读n_rows = len(matrix)  # 可以使用matrix.shape[0]，但那会更慢data = np.ones(n_rows)row = np.arange(n_rows)sparse_matrix = scipy.sparse.coo_matrix((data, (row, maxes)),                                         shape=matrix.shape,                                         dtype=np.int8)

这个稀疏矩阵对象相对于常规矩阵对象应该非常轻量，因为它不会无谓地跟踪其中的每个零。要将其转换为普通矩阵：

sparse_matrix.todense()

返回：

matrix([[0, 0, 0, 0, 1],        [0, 0, 1, 0, 0],        [0, 0, 1, 0, 0],        [0, 0, 0, 0, 1],        [1, 0, 0, 0, 0],        [0, 0, 1, 0, 0],        [0, 0, 0, 1, 0],        [0, 1, 0, 0, 0],        [1, 0, 0, 0, 0],        [0, 0, 0, 1, 0]], dtype=int8)

我们可以将其与matrix进行比较：

matrix([[ 1.41049496,  0.24737968, -0.70849012,  0.24794031,  1.9231408 ],        [-0.08323096, -0.32134873,  2.14154425, -1.30430663,  0.64934781],        [ 0.56249379,  0.07851507,  0.63024234, -0.38683508, -1.75887624],        [-0.41063182,  0.15657594,  0.11175805,  0.37646245,  1.58261556],        [ 1.10421356, -0.26151637,  0.64442885, -1.23544526, -0.91119517],        [ 0.51384883,  1.5901419 ,  1.92496778, -1.23541699,  1.00231508],        [-2.42759787, -0.23592018, -0.33534536,  0.17577329, -1.14793293],        [-0.06051458,  1.24004714,  1.23588228, -0.11727146, -0.02627196],        [ 1.66071534, -0.07734444,  1.40305686, -1.02098911, -1.10752638],        [ 0.12466003, -1.60874191,  1.81127175,  2.26257234, -1.26008476]])