使用 NumPy 的 diag 函数生成与提取对角矩阵

NumPy 处理对角线的核心函数区分

在使用 NumPy 操作矩阵时，开发者常因名称相似而误用函数。numpy.diagonal() 仅用于提取已有矩阵的对角线数据，无法反推生成矩阵；而真正能“生成”对角矩阵的是 numpy.diag()。该函数具有双向特性：根据输入数据的维度自动切换行为，无需记忆两套接口。

第1步：了解函数签名与核心参数

numpy.diag(v, k=0) 的调用结构非常直观，主要依赖两个参数：

• v（array_like）：输入的数据源。若为一维数组，视为新矩阵的对角线元素；若为二维数组，视为待提取的现有矩阵。
• k（int，可选）：对角线偏移量。默认 k=0 表示主对角线；k>0 向上偏移，k<0 向下偏移。超出矩阵边界时返回空数组。

第2步：使用一维列表生成对角矩阵

当业务需要将扁平数据快速转换为方阵时，直接传入列表或一维数组即可。非对角位置会自动补零。

import numpy as np

# 定义一维对角线元素
elements = [1, 2, 3]

# 自动生成 3x3 对角矩阵
diag_matrix = np.diag(elements)
print(diag_matrix)

运行结果将输出标准的对角阵形式，非对角线位置均为 0，完成从向量到方阵的转换。

第3步：从二维矩阵中提取指定对角线

在处理已有数据或特征矩阵时，可通过偏移参数精准抓取所需行迹。以下为提取主对角线与相邻上下对角线的实际操作：

x = np.arange(9).reshape((3, 3))
# x 初始状态
# [[0, 1, 2],
#  [3, 4, 5],
#  [6, 7, 8]]

# 提取主对角线 (k=0)
main_diag = np.diag(x)            # 输出: [0, 4, 8]

# 提取右上方第一条副对角线 (k=1)
upper_diag = np.diag(x, k=1)      # 输出: [1, 5]

# 提取左下方第一条副对角线 (k=-1)
lower_diag = np.diag(x, k=-1)     # 输出: [3, 7]

配合 np.diag(np.diag(x)) 还可实现“先提取再重建”的操作，常用于重置矩阵其余元素或进行归一化预处理。

常见问题排查与使用建议

若在运行时报错或返回意外结果，请按以下路径核对：

1. 维度不匹配：k 的绝对值不能超过矩阵的最小维度减一，否则返回空列表。例如 3x3 矩阵无法提取 k=3 的对角线。
2. 类型兼容性：输入容器需支持索引切片，普通字典或非标列表可能触发 ValueError，请确保通过 np.array() 统一转换。
3. 性能考量：该函数底层为 C 循环访问，对于超大规模稀疏矩阵，建议结合 scipy.sparse.diags 替代以节省内存开销。

总结

numpy.diag() 凭借单一接口同时覆盖“生成”与“提取”场景，大幅简化了线性代数预处理流程。掌握 v 与 k 的参数联动逻辑后，即可灵活应对分类权重初始化、掩码构造及特征采样等常见任务。以上就是如何使用 numpy.diag 生成对角矩阵及提取对角线元素的详细内容，更多关于 NumPy 矩阵操作的资料请关注本站其它相关文章！