scipy稀疏数组coo_array的实现
微小冷 人气:0coo_array
coo也被称为ijv，是一种三元组格式，对于矩阵中第i ii行第j jj列的值v vv，将其存储为( i , j , v ) (i,j,v)(i,j,v)这样的三元组，即为coo_array的原理。
例如
import numpy as np from scipy.sparse import coo_array row = np.array([0, 3, 1, 0]) col = np.array([0, 3, 1, 2]) data = np.array([4, 5, 7, 9]) coo_array((data, (row, col)), shape=(4, 4)).toarray() print(coo.toarray())
其输出结果为
但需要注意一点，若行数组和列数组所对应的矩阵坐标发生了重复，那么重复位置处对应的值会累加，
row = np.array([0, 0, 1, 3, 1, 0, 0]) col = np.array([0, 2, 1, 3, 1, 0, 0]) data = np.array([1, 1, 1, 1, 1, 1, 1]) coo = coo_array((data, (row, col)), shape=(4, 4)) print(coo.toarray())
结果为
初始化方案
- coo_array(D) D是一个稀疏数组或2 × D 2\times D2×D数组
- coo_array(S) S是另一种稀疏数组
- coo_array((M, N),dtype='d') 创建一个shape为( M , N ) (M, N)(M,N)的空数组，dtype为数据类型
- coo_array((data, (i,j))) (i, j)是坐标数组，data是数据数组，设新矩阵为a，则a[i[k], j[k]] = data[k]
前三种比较容易理解，下面验证一下第四种
>>> from scipy.sparse import coo_array
>>> import numpy as np
>>> data = np.random.rand(3)
>>> x = y = np.arange(3).astype(int)
>>> coo = coo_array((data,(x,y)))
>>> coo.toarray()
array([[0.28050236, 0. , 0. ],
[0. , 0.59568482, 0. ],
[0. , 0. , 0.84392724]])
内置方法
稀疏数组在计算上并不便捷，所以coo_array中内置了下列函数，可以高效地完成计算。
| 函数 | expm1, log1p, sqrt, pow, sign |
| 三角函数 | sin, tan, arcsin, arctan, deg2rad, rad2deg |
| 双曲函数 | sinh, tanh, arcsinh, arctanh |
| 索引 | getcol, getrow, nonzero, argmax, argmin, max, min |
| 舍入 | ceil, floor, trunc |
| 变换 | conj, conjugate, getH |
| 统计 | count_nonzero, getnnz, mean, sum |
| 矩阵 | diagonal, trace |
| 获取属性 | get_shape, getformat |
| 计算比较 | multiply, dot, maximum, minimum |
| 转换 | asformat, asfptype, astype, toarray, todense |
| 转换 | tobsr, tocoo, tocsc, tocsr, todia, todok, tolil |
| 更改维度 | set_shape, reshape, resize, transpose |
| 排序 | sort_indices, sorted_indices |
| 移除元素 | eliminate_zeros, prune, sum_duplicates |
| 其他 | copy, check_format, getmaxprint, rint, setdiag |
加载全部内容