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
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。
原地排序此数组/矩阵的索引
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。
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]])