csr_array#
- class scipy.sparse.csr_array(arg1, shape=None, dtype=None, copy=False, *, maxprint=None)[source]#
压缩稀疏行数组。
- 可以通过以下几种方式实例化
- csr_array(D)
其中 D 是一个二维 ndarray
- csr_array(S)
S 为另一个稀疏数组或矩阵（等效于 S.tocsr()）
- csr_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'。
- csr_array((data, (row_ind, col_ind)), [shape=(M, N)])
其中
data、row_ind和col_ind满足关系a[row_ind[k], col_ind[k]] = data[k]。- csr_array((data, indices, indptr), [shape=(M, N)])
是标准的 CSR 表示，其中行 i 的列索引存储在
indices[indptr[i]:indptr[i+1]]中，其对应值存储在data[indptr[i]:indptr[i+1]]中。如果未提供 shape 参数，则数组维度从索引数组中推断。
- 属性:
- dtypedtype
数组的数据类型
- shape2-tuple
数组的形状
- ndimint
维度数（始终为 2）
nnz存储的值的数量，包括显式零。
size存储的值的数量。
- data
数组的 CSR 格式数据数组
- indices
数组的 CSR 格式索引数组
- indptr
数组的 CSR 格式索引指针数组
has_sorted_indices索引是否已排序
has_canonical_format数组/矩阵是否具有已排序的索引且没有重复项
T转置。
方法
__len__()arcsin()逐元素的 arcsin。
arcsinh()逐元素的 arcsinh。
arctan()逐元素的 arctan。
arctanh()逐元素的 arctanh。
argmax([axis, out, explicit])返回沿轴的最大元素的索引。
argmin([axis, out, explicit])返回沿轴的最小元素的索引。
asformat(format[, copy])以指定格式返回此数组/矩阵。
astype(dtype[, casting, copy])将数组/矩阵元素转换为指定类型。
ceil()逐元素的 ceil。
check_format([full_check])检查数组/矩阵是否符合 CSR 或 CSC 格式。
conj([copy])逐元素的复数共轭。
conjugate([copy])逐元素的复数共轭。
copy()返回此数组/矩阵的副本。
count_nonzero([axis])非零项的数量，等同于
deg2rad()逐元素的 deg2rad。
diagonal([k])返回数组/矩阵的第 k 条对角线。
dot(other)普通点积
从数组/矩阵中删除零条目
expm1()逐元素的 expm1。
floor()逐元素的 floor。
log1p()逐元素的 log1p。
max([axis, out, explicit])返回数组/矩阵的最大值或沿轴的最大值。
maximum(other)此数组/矩阵与另一个数组/矩阵之间的逐元素最大值。
mean([axis, dtype, out])计算沿指定轴的算术平均值。
min([axis, out, explicit])返回数组/矩阵的最小值或沿轴的最大值。
minimum(other)此数组/矩阵与另一个数组/矩阵之间的逐元素最小值。
multiply(other)与另一个数组/矩阵的逐元素乘法。
nanmax([axis, out, explicit])返回沿轴的最大值，忽略任何 NaN。
nanmin([axis, out, explicit])返回沿轴的最小值，忽略任何 NaN。
nonzero()数组/矩阵的非零索引。
power(n[, dtype])此函数执行逐元素幂运算。
prune()移除所有非零元素后的空白空间。
rad2deg()逐元素的 rad2deg。
reshape(self, shape[, order, copy])为稀疏数组/矩阵提供新形状，而不改变其数据。
resize(*shape)将数组/矩阵就地调整为
shape指定的维度rint()逐元素的 rint。
setdiag(values[, k])设置数组/矩阵的对角线或非对角线元素。
sign()逐元素的 sign。
sin()逐元素的 sin。
sinh()逐元素的 sinh。
就地排序此数组/矩阵的索引
返回此数组/矩阵的已排序索引副本
sqrt()逐元素的 sqrt。
sum([axis, dtype, out])沿给定轴对数组/矩阵元素求和。
通过将重复条目相加来消除它们
tan()逐元素的 tan。
tanh()逐元素的 tanh。
toarray([order, out])返回此稀疏数组/矩阵的密集 ndarray 表示。
tobsr([blocksize, copy])将此数组/矩阵转换为块稀疏行格式。
tocoo([copy])将此数组/矩阵转换为坐标格式。
tocsc([copy])将此数组/矩阵转换为压缩稀疏列格式。
tocsr([copy])将此数组/矩阵转换为压缩稀疏行格式。
todense([order, out])返回此稀疏数组的密集表示。
todia([copy])将此数组/矩阵转换为稀疏对角线格式。
todok([copy])将此数组/矩阵转换为键字典格式。
tolil([copy])将此数组/矩阵转换为列表的列表格式。
trace([offset])返回稀疏数组/矩阵沿对角线的和。
transpose([axes, copy])反转稀疏数组/矩阵的维度。
trunc()逐元素的 trunc。
__getitem__
__mul__
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。
- CSR 格式的优点
高效的算术运算：CSR + CSR、CSR * CSR 等。
高效的行切片
快速的矩阵向量乘积
- CSR 格式的缺点
慢速的列切片操作（考虑 CSC）
稀疏结构的变化开销大（考虑 LIL 或 DOK）
- 规范格式
在每一行中，索引按列排序。
没有重复的条目。
示例
>>> import numpy as np >>> from scipy.sparse import csr_array >>> csr_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, 0, 1, 2, 2, 2]) >>> col = np.array([0, 2, 2, 0, 1, 2]) >>> data = np.array([1, 2, 3, 4, 5, 6]) >>> csr_array((data, (row, col)), shape=(3, 3)).toarray() array([[1, 0, 2], [0, 0, 3], [4, 5, 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]) >>> csr_array((data, indices, indptr), shape=(3, 3)).toarray() array([[1, 0, 2], [0, 0, 3], [4, 5, 6]])
重复条目被求和
>>> row = np.array([0, 1, 2, 0]) >>> col = np.array([0, 1, 1, 0]) >>> data = np.array([1, 2, 4, 8]) >>> csr_array((data, (row, col)), shape=(3, 3)).toarray() array([[9, 0, 0], [0, 2, 0], [0, 4, 0]])
作为逐步构建 CSR 数组的示例，以下代码片段从文本构建了一个术语-文档数组
>>> docs = [["hello", "world", "hello"], ["goodbye", "cruel", "world"]] >>> indptr = [0] >>> indices = [] >>> data = [] >>> vocabulary = {} >>> for d in docs: ... for term in d: ... index = vocabulary.setdefault(term, len(vocabulary)) ... indices.append(index) ... data.append(1) ... indptr.append(len(indices)) ... >>> csr_array((data, indices, indptr), dtype=int).toarray() array([[2, 1, 0, 0], [0, 1, 1, 1]])