scipy.sparse.csr_matrix

最新推荐文章于 2022-09-30 14:12:34 发布

lonelykid96

最新推荐文章于 2022-09-30 14:12:34 发布

阅读量4k

点赞数 2

CC 4.0 BY-SA版权

分类专栏： Scipy

本文链接：https://blog.csdn.net/lonelykid96/article/details/102727592

Scipy 专栏收录该内容

4 篇文章

订阅专栏

scipy.sparse.csr_matrix是用于创建压缩行稀疏矩阵的工具，具备高效的算术运算和行切片能力。尽管列切片效率较低，但适用于需要快速矩阵向量内积的场景。不建议频繁更改稀疏结构，可考虑使用LIL或DOK矩阵。更多详情可查阅官方文档。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

scipy.sparse.csr_matrix

scipy.sparse.csr_matrix(arg1, shape=None, dtype=None, copy=False)

压缩行稀疏矩阵。

可以通过这几种方式实例化：

csr_matrix(D)	带有密集矩阵2级ndarrayD
csr_matrix(S)	与另一个稀疏矩阵S（等效于S.tocsr（））
csr_matrix((M, N), [dtype])	构造形状为（M，N）的空矩阵dtype是可选的，默认为dtype =‘d’。
csr_matrix((data, (row_ind, col_ind)), [shape=(M, N)])	其中data，row_ind和col_ind满足关系a [row_ind [k]，col_ind [k]] = data [k]。
csr_matrix((data, indices, indptr), [shape=(M, N)])	是标准的CSR表示形式，其中行i的列索引存储在indices [indptr [i]：indptr [i + 1]]中，其对应值存储在data [indptr [i]：indptr [i + 1]]中。如果未提供shape参数，则从索引数组中推断出矩阵尺寸。

优点：

高效的算术运算，CSR + CSR，CSR * CSR等
高效地按行切片
快速地计算矩阵与向量的内积

缺点：

按列切片很慢（考虑CSC_matrix）
更改稀疏结构的成本很高（考虑LIL或DOK）

官网例子

>>> import numpy as np
>>> from scipy.sparse import csr_matrix
>>> csr_matrix((3, 4), dtype=np.int8).toarray()
array([[0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0]], dtype=int8)

>>> row = np.array([0, 0, 1, 2, 2, 2])
>>> col = np.array([0, 2, 2, 0, 1, 2])
>>> data = np.array([1, 2, 3, 4, 5, 6])
>>> csr_matrix((data, (row, col)), shape=(3, 3)).toarray()
array([[1, 0, 2],
       [0, 0, 3],
       [4, 5, 6]])

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

具有的属性

属性	说明
dtype	矩阵的数据类型
shape	矩阵的形状
ndim	维数（常为2）
nnz	存储值的数量，包括显式零。
data	矩阵的CSR格式数据数组
indices	矩阵的CSR格式索引数组
indptr	CSR格式索引矩阵的指针数组
has_sorted_indices	确定矩阵是否已对索引进行排序