Scipy sparse中关于CSC矩阵的自我理解

官方文档可见：https://docs.scipy.org/doc/scipy/reference/generated/scipy.sparse.csc_matrix.html#scipy.sparse.csc_matrix

官方文档中关于CSC矩阵原文如下：

csc_matrix((data, indices, indptr), [shape=(M, N)])

is the standard CSC representation where the row indices for column i are stored in indices[indptr[i]:indptr[i+1]] and their corresponding values are stored in data[indptr[i]:indptr[i+1]]. If the shape parameter is not supplied, the matrix dimensions are inferred from the index arrays.

原文翻译：第i列的相对应的行信息，存储在indices[indptr[i]:indptr[i+1]]中，且与行列想对应的值存在于 data[indptr[i]:indptr[i+1]]。
相对应的测试代码如下：

>>> indptr = np.array([0, 2, 3, 6])
>>> indices = np.array([0, 2, 2, 0, 1, 2])
>>> data = np.array([1, 2, 3, 4, 5, 6])
>>> csc_matrix((data, indices, indptr), shape=(3, 3)).toarray()
array([[1, 0, 4],[0, 0, 5],[2, 3, 6]])

我的解读：

1. 首先，indptr中列表的长度len决定矩阵的列数num_column = len - 1,即原文档中的 column i

2. i = 0, indices [indptr[0]] : indptr[1]] = indices[0:2] = [0, 2]，即第0列对应于第0行和第2行，再看data中的值，即矩阵中（0,0）= 1，（2,0）=2；

i = 1, indices [indptr[1]] : indptr[2]] = indices[2:3] = [2]，即第1列对应于第2行，再看data中的值，即矩阵中（2,1）= 3；

i = 2, indices [indptr[2]] : indptr[3]] = indices[3:6] = [0,1,2]，即第2列对应于第0行、第1行和第2行，再看data中的值，即矩阵中（0,2）= 4，（1,2）=5，（2,2）=6；

以上（a,b）表示a行b列

Scipy sparse中关于CSC矩阵的自我理解相关推荐

【scipy.sparse中csr.matrix的用法】
scipy.sparse中csr.matrix的用法作用:用于压缩稀疏行矩阵 1.csr_matrix(D) with a dense matrix or rank-2 ndarray D 2.cs ...
Scipy.sparse中coo_matrix、csc_matrix、csr_matrix、lil_matrix辨析
简介 1. coo_matrix: 坐标格式的矩阵(Coodrdinate format matrix) data = [1, 1, 1] row = [0, 1, 1] col = [0, 1, 1 ...
Scipy.sparse中coo_matrix、csc_matrix、csr_matrix、lil_matrix区别与特点
简介 coo_matrix: 坐标格式的矩阵(Coodrdinate format matrix) 优点: 不同稀疏格式间转换效率高(exp:CSR/CSC) coo_matrix不支持元素的存取和增 ...
Objective-C中MRC和ARC的自我理解
MRC: 手动引用计数. alloc -- 分配一个对象的内存空间 retain --使一个对象的引用计数加1 release --使一个对象的引用计数减1 retainCount --获取当前对象的 ...
Python中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、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模块中coo_matrix、csc_matrix、csr_matrix区别
Scipy.sparse模块常用的三种具体形式 coo_matrix :COOrdinate format matrix csc_matrix :Compressed Sparse Column ma ...
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()

Scipy sparse中关于CSC矩阵的自我理解

Scipy sparse中关于CSC矩阵的自我理解相关推荐

最新文章

热门文章