1、 scipy中常用的数据结构

1.1 scipy.sparse.coo_matrix

coo_matrix全称是A sparse matrix in Coordinate format， 一种基于坐标格式的系数矩阵， 每个矩阵时一个三元组（行， 列， 值）

构造方法如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
import numpy as np
from scipy.sparse import coo_matrix
coo = coo_matrix(np.array([1, 0, 3, 0, 5, 6]).reshape(2, 3))
print(coo)
"""
  (0, 0)	1
  (0, 1)	2
  (0, 2)	3
  (1, 0)	4
  (1, 1)	5
  (1, 2)	6
  coo_matrix中值表示非零元素， 如果该位置是0， 则没有改行的数值
  如， 当输入的array是[1, 0, 3, 0, 5]
  (0, 0)	1
  (0, 2)	3
  (1, 1)	5
  (1, 2)	6
"""
# 第二种方法
row = np.array([0, 3, 1, 0])
col = np.array([0, 3, 1, 2])
data = np.array([4, 5, 7, 9])
coo_matrix_1 = coo_matrix((data, (row, col)), shape=(4, 4)).toarray()
print(coo_matrix_1)
"""
coo_matrix((data, (i, j)), [shape=(M, N)])
data即矩阵存储的数据，i为行下标，j为列下标，
data,i,j的关系为：A[i[k], j[k]] = data[k]
0行0列是4， 3行3列是5， 以此类推
[[4 0 9 0]
 [0 7 0 0]
 [0 0 0 0]
 [0 0 0 5]]
"""

1.2 scipy.sparse.csr_matrix

csr是Compressed Sparse Row matrix的缩写， 即基于行存储的压缩稀疏矩阵，

有几种不同的构造方法， csr_matrix(D), D是一个稠密矩阵或2维的ndarray

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
from scipy.sparse import csr_matrix
csr = csr_matrix(np.array([1, 2, 3, 4, 5, 6]).reshape(2, 3))
"""
其实跟coo_matrix很像
  (0, 0)	1
  (0, 1)	2
  (0, 2)	3
  (1, 0)	4
  (1, 1)	5
  (1, 2)	6

"""
#  csr_matrix((M, N), [dtype])构造一个shape为(M, N)的dtype类型的空矩阵
csr_matrix_1 = csr_matrix((3, 4), dtype=np.int8).toarray()
print(csr_matrix_1)
""""
[[0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]]
"""
# 这种方法跟coo_matrix中的也是一样的
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_2 = csr_matrix((data, (row, col)), shape=(3, 3)).toarray()
print(csr_matrix_2)
"""
[[1 0 2]
 [0 0 3]
 [4 5 6]]
 
 按行存储，即先存储第0行，然后第1行，依次到最后一行，即先扫描row数组的数据，第一个数据是0即第0行，然后扫描col的第一个数据是0即第0列，那么第0行第0列存储的值就是data的第一个数据即1，然后继续扫描row的第二个数据还是0即还是第0行，col对应的第二个数据是2即第2列，data的第二个数据是2，即第0行第2列的数据是2，依次扫描row，找对应的col和data构造稀疏矩阵。
"""