Python SciPy sparse.csc_array用法及代码示例

本文简要介绍 python 语言中 scipy.sparse.csc_array 的用法。

用法:

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

压缩稀疏列数组。

这可以通过多种方式实例化：：

csc_array(D)

其中 D 是二维 ndarray

csc_array(S)

与另一个稀疏数组或矩阵 S (相当于 S.tocsc())

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

构造一个形状为 (M, N) 的空数组 dtype 是可选的，默认为 dtype='d'。

csc_array((数据, (row_ind, col_ind)), [形状=(M, N)])

其中 data 、 row_ind 和 col_ind 满足关系 a[row_ind[k], col_ind[k]] = data[k] 。

csc_array((数据，索引，indptr)，[形状=(M，N)])

是标准 CSC 表示形式，其中第 i 列的行索引存储在 indices[indptr[i]:indptr[i+1]] 中，它们相应的值存储在 data[indptr[i]:indptr[i+1]] 中。如果未提供形状参数，则从索引数组推断数组维度。

注意：

稀疏数组可用于算术运算：它们支持加法、减法、乘法、除法和矩阵幂。

CSC 格式的优点：

• 高效算术运算 CSC + CSC、CSC * CSC 等

• 高效的列切片

• 快速矩阵向量积(CSR、BSR 可能更快)

CSC格式的缺点：

• 慢行切片操作(考虑 CSR)

• 稀疏结构的更改代价高昂(考虑 LIL 或 DOK)

规范格式：

• 在每一列中，索引按行排序。

• 没有重复的条目。

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]])

属性 ：：

dtype： 类型

数组的数据类型

shape 2元组

阵列的形状。

ndim： int

维数(始终为 2)

nnz

存储值的数量，包括显式零。

size

存储值的数量。

data：

数组的CSC格式数据数组

indices：

CSC格式数组的索引数组

indptr：

CSC格式数组的索引指针数组

has_sorted_indices

索引是否排序

has_canonical_format

数组/矩阵是否具有排序索引并且没有重复项

T

转置。