SciPy稀疏矩阵介绍和示例 _矩阵

稀疏矩阵允许数据结构存储较大的稀疏矩阵, 并提供执行复杂矩阵计算的功能。简而言之, 假设你有一个包含数百个元素的2D矩阵, 其中只有几个元素包含非零值。当使用排序方法对矩阵进行排序时, 我们将浪费大量的零空间。
稀疏数据结构允许我们仅存储非零值(假定其余均为零)。
SciPy中的稀疏矩阵类型
表示稀疏矩阵的方法有很多种。 SciPy提供了其中的七个。

块稀疏行矩阵(BSR)
座标清单矩阵(COO)
压缩稀疏列矩阵(CSC)
压缩稀疏行矩阵(CSR)
带有对角线存储的稀疏矩阵(DIA)
基于密钥字典的稀疏矩阵(DOK)
基于行的链表稀疏矩阵(LIL)

考虑以下示例：

import numpy as npfrom scipy.sparse import randomnp.random.seed(10)# Generate a random binary sparse matrixmatrix = random(5, 5, format='csr', density=0.25)# Substitute all non zero values with index numbermatrix.data[:] = np.arange(1, matrix.data.shape[0]+1)# We can access and modify these arrays:print(matrix.toarray())print("The data is", matrix.data)print("Cell which consits the non-zero values", matrix.indptr)

【SciPy稀疏矩阵介绍和示例】输出

[[0. 1. 0. 0. 0.] [2. 0. 0. 0. 0.] [3. 0. 4. 0. 0.] [0. 0. 5. 0. 0.] [0. 0. 0. 6. 0.]]The data is [1. 2. 3. 4. 5. 6.]Cell which consits the non-zero values [0 1 2 4 5 6]