scipy.sparse.

bsr_array

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

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 2 维 ndarray。

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

使用另一个稀疏数组或矩阵 S (等价于 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 表示形式，其中第 i 行的块列索引存储在 indices[indptr[i]:indptr[i+1]] 中，它们对应的块值存储在 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。

说明

稀疏数组可以用于算术运算：它们支持加法、减法、乘法、除法和矩阵幂。

BSR 格式概述

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。这种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 效率高得多。

块大小

块大小 (R,C) 必须均匀地除以稀疏数组的形状 (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。

局限性

块稀疏行格式稀疏数组不支持切片。

示例

在您的浏览器中尝试一下！

>>> 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]])

返回在新标签页中打开

属性:

dtypedtype

数组的数据类型

shape2 元组

数组的形状

ndimint

维度数（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_indicesbool

索引是否已排序

has_canonical_formatbool

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()	元素级反正弦。
arcsinh()	元素级反双曲正弦。
arctan()	元素级反正切。
arctanh()	元素级反双曲正切。
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])	以传入的格式返回此数组/矩阵。
astype(dtype[, casting, copy])	将数组/矩阵元素转换为指定类型。
ceil()	元素级向上取整。
check_format([full_check])	检查数组/矩阵是否符合 BSR 格式。
conj([copy])	元素级复共轭。
conjugate([copy])	元素级复共轭。
copy()	返回此数组/矩阵的副本。
count_nonzero([axis])	非零条目的数量，等效于
deg2rad()	元素级 deg2rad。
diagonal([k])	返回数组/矩阵的第 k 个对角线。
dot(other)	普通点积
eliminate_zeros()	就地移除零元素。
expm1()	元素级 expm1。
floor()	元素级向下取整。
log1p()	元素级 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/矩阵之间的元素级最大值。
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/矩阵之间的元素级最小值。
multiply(other)	与数组/矩阵、向量或标量的点式乘法。
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])	此函数执行元素级幂运算。
prune()	删除所有非零元素后的空空间。
rad2deg()	元素级 rad2deg。
reshape(self, shape[, order, copy])	在不更改其数据的情况下，为稀疏数组/矩阵提供新形状。
resize(*shape)	将数组/矩阵就地调整为由 shape 给定的维度
rint()	元素级 rint。
setdiag(values[, k])	设置数组/矩阵的对角线或非对角线元素。
sign()	逐元素符号函数。
sin()	逐元素正弦函数。
sinh()	逐元素双曲正弦函数。
sort_indices()	原地 对此数组/矩阵的索引进行排序。
sorted_indices()	返回此索引已排序的数组/矩阵的副本。
sqrt()	逐元素平方根函数。
sum([axis, dtype, out])	沿给定轴求数组/矩阵元素的和。
sum_duplicates()	通过将重复的数组/矩阵条目相加来消除它们。
tan()	逐元素正切函数。
tanh()	逐元素双曲正切函数。
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()	逐元素截断函数。

__getitem__
__mul__