Python SciPy sparse.csc_array用法及代碼示例

本文簡要介紹 python 語言中 scipy.sparse.csc_array 的用法。

用法:

class  scipy.sparse.csc_array(arg1, shape=None, dtype=None, copy=False)#

壓縮稀疏列數組。

這可以通過多種方式實例化：：

csc_array(D)

其中 D 是二維 ndarray

csc_array(S)

與另一個稀疏數組或矩陣 S (相當於 S.tocsc())

csc_array((M, N), [dtype])

構造一個形狀為 (M, N) 的空數組 dtype 是可選的，默認為 dtype='d'。

csc_array((數據, (row_ind, col_ind)), [形狀=(M, N)])

其中 data 、 row_ind 和 col_ind 滿足關係 a[row_ind[k], col_ind[k]] = data[k] 。

csc_array((數據，索引，indptr)，[形狀=(M，N)])

是標準 CSC 表示形式，其中第 i 列的行索引存儲在 indices[indptr[i]:indptr[i+1]] 中，它們相應的值存儲在 data[indptr[i]:indptr[i+1]] 中。如果未提供形狀參數，則從索引數組推斷數組維度。

注意：

稀疏數組可用於算術運算：它們支持加法、減法、乘法、除法和矩陣冪。

CSC 格式的優點：

• 高效算術運算 CSC + CSC、CSC * CSC 等

• 高效的列切片

• 快速矩陣向量積(CSR、BSR 可能更快)

CSC格式的缺點：

• 慢行切片操作(考慮 CSR)

• 稀疏結構的更改代價高昂(考慮 LIL 或 DOK)

規範格式：

• 在每一列中，索引按行排序。

• 沒有重複的條目。

例子：

>>> import numpy as np
>>> from scipy.sparse import csc_array
>>> csc_array((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, 2, 2, 0, 1, 2])
>>> col = np.array([0, 0, 1, 2, 2, 2])
>>> data = np.array([1, 2, 3, 4, 5, 6])
>>> csc_array((data, (row, col)), shape=(3, 3)).toarray()
array([[1, 0, 4],
       [0, 0, 5],
       [2, 3, 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])
>>> csc_array((data, indices, indptr), shape=(3, 3)).toarray()
array([[1, 0, 4],
       [0, 0, 5],
       [2, 3, 6]])

屬性 ：：

dtype： 類型

數組的數據類型

shape 2元組

陣列的形狀。

ndim： int

維數(始終為 2)

nnz

存儲值的數量，包括顯式零。

size

存儲值的數量。

data：

數組的CSC格式數據數組

indices：

CSC格式數組的索引數組

indptr：

CSC格式數組的索引指針數組

has_sorted_indices

索引是否排序

has_canonical_format

數組/矩陣是否具有排序索引並且沒有重複項

T

轉置。