对于scipy.sparse.csr_matrix的一点解释
作者:互联网
使用形式
①csr_matrix(D)
其中D是稠密矩阵或者二维向量
②csr_matrix(S)
其中S是稀疏矩阵
③csr_matrix((M, N), [dtype])
构造一个规模为(M,N)的dtype,其中dtypy是可选的
④csr_matrix((data, (row_ind, col_ind)), [shape=(M, N)])
其中满足的关系是:a[row_ind[i],col_ind[i]]=data[i],此处a是结果矩阵
⑤csr_matrix((data, indices, indptr), [shape=(M, N)])
其中满足的关系是:对于第i行有:
列索引为indices[indptr[i]:indptr[i+1]]
值为data[indptr[i]:indptr[i+1]]
例子
- csr_matrix((M, N), [dtype])
>>>import numpy as np
>>>from scipy.sparse import csr_matrix
>>>csr_matrix((3, 4), dtype=np.int8).toarray()##转化为ndarray
array([[0, 0, 0, 0],
[0, 0, 0, 0],
[0, 0, 0, 0]], dtype=int8)
产生一个3行4列的空矩阵,数据类型为int8
- csr_matrix((data, (row_ind, col_ind)), [shape=(M, N)])
>>>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()##转化为ndarray
array([[1, 0, 2],
[0, 0, 3],
[4, 5, 6]])
也就是在结果矩阵中的[0,0]放1,在[0,2]中放2,在[1,2]中放3......[2,2]中放6
- csr_matrix((data, indices, indptr), [shape=(M, N)])
>>>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]])
此处应该是有点难以理解的:
对于结果矩阵第0行:(此处默认从第0行开始),
其列索引为:indices[indptr[0]:indptr[0+1]],也就是indices[0:2],也就是indices的第0个+第1个,也就是0和2
其值为 :data[indptr[0]:indptr[0+1]],也就是data[0:2],也就是data的第一个和第二个,也就是1和2,
好了这下行索引,列索引,值都确定了,对应一下也就是第0行的第0个位置是1,第0行的第2个位置是2
对于结果矩阵第1行:(此处默认从第0行开始),
其列索引为:indices[indptr[1]:indptr[1+1]],也就是indices[2:3],也就是indices的第2个,也就是2
其值为 :data[indptr[1]:indptr[1+1]],也就是data[2:3],也就是data的第2个,也就是3
好了这下行索引,列索引,值都确定了,对应一下也就是第1行的第2个位置是3
结果矩阵的第三行也是一样的道理,此处就不在说了。
标签:matrix,indptr,scipy,sparse,indices,array,data,csr 来源: https://blog.csdn.net/yellowetao/article/details/120577783