scipy稀疏数组coo_array的实现

目录

• coo_array
• 初始化方案
• 内置方法

coo_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

到此这篇关于scipy稀疏数组coo_array的实现的文章就介绍到这了,更多相关scipy稀疏数组coo_array内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！