numpy进行子矩阵拼接

在numpy中，可以使用切片操作和拼接函数来进行子矩阵的拼接。

假设子矩阵的大小为 `block_size`，子矩阵的数量为 `n`。可以先创建一个全零矩阵，大小为 `(n * block_size, n * block_size)`，然后将每个子矩阵插入到对应的位置。具体实现可以采用以下代码：

import numpy as np

# 假设所有子矩阵保存在列表sub_matrices中
block_size = sub_matrices[0].shape[0]
n = len(sub_matrices)
similarity_matrix = np.zeros((n * block_size, n * block_size))

# 将所有子矩阵插入到完整相似度矩阵中
for i in range(n):
    for j in range(n):
        similarity_matrix[i*block_size:(i+1)*block_size, j*block_size:(j+1)*block_size] = sub_matrices[i][j]

# similarity_matrix为完整的相似度矩阵

上述代码中，`similarity_matrix` 为完整的相似度矩阵，`sub_matrices` 是所有子矩阵的列表，每个子矩阵的大小为 `(block_size, block_size)`。在循环中，通过切片操作将每个子矩阵插入到对应的位置，最终得到完整的相似度矩阵。

numpy中的拼接函数有 `numpy.concatenate()` 和 `numpy.vstack()`，其中 `numpy.concatenate()` 可以用于在任意维度上进行拼接，而 `numpy.vstack()` 只能用于在纵向上进行拼接。因为在分块计算相似度中通常是将子矩阵按照矩阵的行进行拼接，所以这里使用 `numpy.concatenate()` 函数。