Python中如何解决矩阵相关的问题？
假设现在有这样的一段输入数据：
1 5,6
2 2,3
5 1,4
请问怎样写 Python 代码能建立这样的矩阵：
0, 0, 0, 0, 1, 1
0, 1, 1, 0, 0, 0
0, 0, 0, 0, 0, 0
0, 0, 0, 0, 0, 0
1, 0, 0, 1, 0, 0
也就是输入的每行第一个数字是矩阵的行指标，之后的每个数字是列指标，符合输入的行列的元素置 1。因为输入数据的数据范围不清楚所以不能提前建好固定维数的矩阵再填充... 只能想到笨办法，不知道有没有巧妙点的办法...
Python中如何解决矩阵相关的问题？
在Python里搞矩阵运算，NumPy是绝对的首选。它提供了完整的矩阵操作，从基础的加减乘除到复杂的线性代数运算都能搞定。
import numpy as np
# 创建矩阵
matrix_a = np.array([[1, 2], [3, 4]])
matrix_b = np.array([[5, 6], [7, 8]])
# 基本运算
print("加法:\n", matrix_a + matrix_b)
print("乘法:\n", np.dot(matrix_a, matrix_b)) # 或者 matrix_a @ matrix_b
# 常用操作
print("转置:\n", matrix_a.T)
print("逆矩阵:\n", np.linalg.inv(matrix_a))
print("行列式:", np.linalg.det(matrix_a))
# 解线性方程组
# 解 Ax = b
A = np.array([[3, 1], [1, 2]])
b = np.array([9, 8])
x = np.linalg.solve(A, b)
print("方程组的解:", x)
# 特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(matrix_a)
print("特征值:", eigenvalues)
print("特征向量:\n", eigenvectors)
对于更复杂的矩阵问题，比如稀疏矩阵，可以用SciPy的sparse模块。如果是深度学习相关的张量运算，那就上PyTorch或TensorFlow。
简单说就是：基础矩阵用NumPy，特殊需求找对应库。
输入数据的数据范围不清楚是什么意思…
是会有数据源源不断加入导致矩阵扩充么
直观上感觉生成的矩阵大小只能死算，
行数应该是 max(输入数据的第一列值)，列数是 max(第二列中的值)
[[0, 0, 1], [0, 1, 0]] 这样的列表吗？那如果我现在想把第 1000 行第 1 列置 1 呢？只能先 append 990+ 次 [0, 0, 0]？？还有如果是 1000 行 4 列怎么把所有行向量改成四维呢？
输入的不属于流式数据而是更偏向用户输入 /读取文件类型吧，用[(row,col),…]存储好每一个输入后，得到最大的 row 和 column 数，再用 sparse 得到稀疏矩阵
<blockquote class=“imgur-embed-pub” lang=“en” data-id=“Vc4S8qX”><a href="//imgur.com/Vc4S8qX"></a></blockquote><script async src="//s.imgur.com/min/embed.js" charset=“utf-8”></script>
