scipy.sparse.

bsr_array#

class scipy.sparse.bsr_array(arg1, shape=None, dtype=None, copy=False, blocksize=None, *, maxprint=None)[source]#

块稀疏行格式稀疏数组。

可以通过以下几种方式实例化：
bsr_array(D, [blocksize=(R,C)])

其中 D 是一个二维 ndarray。

bsr_array(S, [blocksize=(R,C)])

与另一个稀疏数组或矩阵 S 一起使用（等同于 S.tobsr()）

bsr_array((M, N), [blocksize=(R,C), dtype])

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

bsr_array((data, ij), [blocksize=(R,C), shape=(M, N)])

其中 data 和 ij 满足 a[ij[0, k], ij[1, k]] = data[k]

bsr_array((data, indices, indptr), [shape=(M, N)])

是标准的 BSR 表示，其中行 i 的块列索引存储在 indices[indptr[i]:indptr[i+1]] 中，其对应的块值存储在 data[ indptr[i]: indptr[i+1] ] 中。如果未提供 shape 参数，则数组维度将从索引数组中推断出来。

属性:
dtype数据类型

数组的数据类型

shape2-元组

数组的形状

ndim整数

维度数量（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 BSR 格式数据数组

indices

数组的 BSR 格式索引数组

indptr

数组的 BSR 格式索引指针数组

blocksize

矩阵的块大小。

has_sorted_indices布尔值

索引是否已排序

has_canonical_format布尔值

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()

逐元素反正弦。

arcsinh()

逐元素反双曲正弦。

arctan()

逐元素反正切。

arctanh()

逐元素反双曲正切。

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])

将此数组/矩阵以传入的格式返回。

astype(dtype[, casting, copy])

将数组/矩阵元素转换为指定类型。

ceil()

逐元素向上取整。

check_format([full_check])

检查数组/矩阵是否符合 BSR 格式。

conj([copy])

逐元素复共轭。

conjugate([copy])

逐元素复共轭。

copy()

返回此数组/矩阵的副本。

count_nonzero([axis])

非零条目数，等同于

deg2rad()

逐元素度转弧度。

diagonal([k])

返回数组/矩阵的第 k 条对角线。

dot(other)

普通点积

eliminate_zeros()

原地移除零元素。

expm1()

逐元素 expm1。

floor()

逐元素向下取整。

log1p()

逐元素 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()

逐元素弧度转度。

reshape(self, shape[, order, copy])

为稀疏数组/矩阵赋予新形状，而不改变其数据。

resize(*shape)

原地调整数组/矩阵的大小，使其维度由 shape 给出

rint()

逐元素取最接近的整数。

setdiag(values[, k])

设置数组/矩阵的对角线或非对角线元素。

sign()

逐元素求符号。

sin()

逐元素正弦。

sinh()

逐元素双曲正弦。

sort_indices()

原地排序此数组/矩阵的索引

sorted_indices()

返回此数组/矩阵的副本，其中索引已排序

sqrt()

逐元素平方根。

sum([axis, dtype, out])

计算数组/矩阵元素沿给定轴的和。

sum_duplicates()

通过将重复的数组/矩阵条目相加来消除它们

tan()

逐元素正切。

tanh()

逐元素双曲正切。

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/矩阵转换为键值字典格式。

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/矩阵对角线上的和。

transpose([axes, copy])

反转稀疏数组/矩阵的维度。

trunc()

逐元素截断。

__getitem__

__mul__

备注

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。

BSR 格式摘要

块稀疏行 (BSR) 格式与压缩稀疏行 (CSR) 格式非常相似。BSR 适用于具有密集子矩阵的稀疏矩阵，如下面的最后一个示例所示。此类稀疏块矩阵通常出现在向量值有限元离散化中。在这种情况下，对于许多稀疏算术运算，BSR 比 CSR 和 CSC 效率更高。

块大小

块大小 (R,C) 必须能整除稀疏数组的形状 (M,N)。也就是说，R 和 C 必须满足关系 M % R = 0 和 N % C = 0。

如果未指定块大小，则应用简单的启发式方法来确定合适的块大小。

规范格式

在规范格式中，没有重复的块，并且索引按行排序。

限制

块稀疏行格式的稀疏数组不支持切片。

示例

>>> import numpy as np
>>> from scipy.sparse import bsr_array
>>> bsr_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])
>>> bsr_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]).repeat(4).reshape(6, 2, 2)
>>> bsr_array((data,indices,indptr), shape=(6, 6)).toarray()
array([[1, 1, 0, 0, 2, 2],
       [1, 1, 0, 0, 2, 2],
       [0, 0, 0, 0, 3, 3],
       [0, 0, 0, 0, 3, 3],
       [4, 4, 5, 5, 6, 6],
       [4, 4, 5, 5, 6, 6]])
在此页面