scipy.sparse学习

①行压缩矩阵：scipy.sparse.csr_matrix(arg1, shape=None, dtype=None, copy=False)

构造方法：

1、通过csc_matrix(D)形式构造,其中D的维度必须小于等于2

In [1]: import  numpy as np
...: from scipy.sparse import csr_matrix
...: arr = np.array([[0,1,0,2,0],[1,1,0,2,0],[2,0,5,0,0]])
...: b = csr_matrix(arr)
...:
In [2]: b
Out[2]:
<3x5 sparse matrix of type '<class 'numpy.int32'>'
with 7 stored elements in Compressed Sparse Row format>
In [3]: type(b)
Out[3]: scipy.sparse.csr.csr_matrix

csr_matrix对象属性：

In [4]: b.shape
Out[4]: (3, 5)In [5]: b.nnz
Out[5]: 7In [6]: b.ndim
Out[6]: 2In [7]: b.data
Out[7]: array([1, 2, 1, 1, 2, 2, 5], dtype=int32)In [8]: b.indices
Out[8]: array([1, 3, 0, 1, 3, 0, 2], dtype=int32)In [9]: b.indptr
Out[9]: array([0, 2, 5, 7], dtype=int32)

nnz属性：稀疏矩阵非零元素个数

data属性：稀疏矩阵中元素

indices属性：稀疏矩阵非0元素对应的列索引值所组成数组

indptr属性：第一个元素0，之后每个元素表示稀疏矩阵中每行元素(非零元素)个数累计结果

2、通过csc_matrix((data, indices, indptr), [shape=(M, N)])形式构造

In [10]: import numpy as np...: from scipy.sparse import csr_matrix...: indptr = np.array([0,3,5,7,8])...: indices = np.array([0,2,4,1,3,2,4,0])...: data = np.array(range(1,9))...: csr_matrix((data,indices,indptr),shape=(4,5)).toarray()...:
Out[10]:
array([[1, 0, 2, 0, 3],[0, 4, 0, 5, 0],[0, 0, 6, 0, 7],[8, 0, 0, 0, 0]])

结论：①indptr数组中最后一个元素等于data数组的长度 ②indptr数组长度减1等于矩阵的行数

③对于矩阵第i行其列索引编号：indices[indptr[i]:indptr[i+1]]；对于矩阵第i行其索引列对应的数据：data[indptr[i]:indptr[i+1]]

data数组与最后稀疏矩阵转换成的数组的映射过程：

矩阵第一行：即i=0,索引编号为indices[indptr[0]:indptr[1]]，其中indptr[0]=0,indptr[1]=3,则indices[indptr[0]:indptr[1]]=indices[0:3]=[0,2,4]，说明矩阵的第一行的第1、3、5列为非0数据，该行其他列都为0

矩阵第一行的1、3、5列存放具体值：data[indptr[i]:indptr[i+1]]=data[0:3]=[1,2,3]，表名第1列存放1、第3列存放2、第5列存放3

3、通过csr_matrix((data, (row_ind, col_ind)), [shape=(M, N)])形式构造，data表示矩阵元素，row_ind表示矩阵行编号，col_ind表示矩阵列编号

In [11]: import numpy as np...: from scipy.sparse import csr_matrix...: row = np.array([0,0,0,1,1,2,2,3])...: col = np.array([0,2,4,1,3,2,4,0])...: data = np.array(range(1,9))...: csr_matrix((data,(row,col)),shape=(4,5)).toarray()...:
Out[11]:
array([[1, 0, 2, 0, 3],[0, 4, 0, 5, 0],[0, 0, 6, 0, 7],[8, 0, 0, 0, 0]], dtype=int32)

结论：row、col、data三数组长度相等，矩阵k行k列元素：a[row_ind[k], col_ind[k]] = data[k]

4、通过csr_matrix((M, N), [dtype])形式构建空矩阵

In [12]: import numpy as np...: from scipy.sparse import csr_matrix...: csr_matrix((4,3))...:
Out[12]:
<4x3 sparse matrix of type '<class 'numpy.float64'>'with 0 stored elements in Compressed Sparse Row format>

5、通过csr_matrix(S)形式构建，其中S为矩阵

In [13]: import numpy as np...: from scipy.sparse import csr_matrix...: arr = np.array([0,1,0,2,3,0,5,6,0,1,0,2]).reshape(3,4)...: csr_matrix(np.matrix(arr))...:
Out[13]:
<3x4 sparse matrix of type '<class 'numpy.int32'>'with 7 stored elements in Compressed Sparse Row format>

scipy.sparse学习相关推荐

scipy.sparse.coo_matrix、csr_matrix、lil_matrix、dia_matrix
文章目录 coo_matrix csr_matrix lil_matrix dia_matrix coo_matrix 1.coo啥意思?COOrdinate(坐标) 2.那么coo_matrix又是 ...
scipy笔记：scipy.sparse
1 稀疏矩阵介绍在networkx包中,很多运算返回的是sparse matrix(如nx.laplacian_matrix),这是稀疏矩阵格式.隶属于scipy.sparse import net ...
scipy.sparse.csr_matrix函数和coo_matrix函数
Scipy高级科学计算库:和Numpy联系很密切,Scipy一般都是操控Numpy数组来进行科学计算.统计分析,所以可以说是基于Numpy之上了.Scipy有很多子模块可以应对不同的应用,例如插值运算 ...
关于稀疏矩阵转化为稠密矩阵问题（scipy.sparse格式和tensor稀疏张量格式）
scipy.sparse: todense() pytorch中的稀疏张量tensor: to_dense()
python 的csr_Python scipy.sparse.csr_matrix()[csc_matrix()]
csr_matrix是Compressed Sparse Row matrix的缩写组合,下面介绍其两种初始化方法 csr_matrix((data, (row_ind, col_ind)), [sh ...
scipy.sparse、pandas.sparse、sklearn稀疏矩阵的使用
单机环境下,如果特征较为稀疏且矩阵较大,那么就会出现内存问题,如果不上分布式 + 不用Mars/Dask/CuPy等工具,那么稀疏矩阵就是一条比较容易实现的路. 文章目录 1 scipy.sparse ...
scipy.sparse求稀疏矩阵前k个特征值
背景: 要在python中处理7000*7000的稀疏矩阵,计算前k小的特征值和相应的特征向量.不想在matlab中做这件事了,所有的数据预处理和展现工作都想在python中完成.然而一般的linal ...
scipy.sparse.vstack
参考 https://cloud.tencent.com/developer/article/1525041 scipy.sparse.vstack(blocks, format=None, dty ...
scipy.sparse的一些整理
scipy.sparse scipy.sparse的稀疏矩阵类型 scipy.sparse中的矩阵函数构造函数判别函数其他有用函数 scipy.sparse中的作用在矩阵的内函数针对元素的函数 ...

scipy.sparse学习

scipy.sparse学习相关推荐

最新文章

热门文章