Ctrl+K
scipy.sparse.coo_array.

count_nonzero#

coo_array.count_nonzero(axis=None)[源代码]#

非零条目的数量，等效于

np.count_nonzero(a.toarray(), axis=axis)

与返回存储条目数量（data 属性的长度）的 nnz 属性不同，此方法计算 data 中实际的非零条目数量。

在计数之前，重复的条目会被求和。

参数:
axis{-2, -1, 0, 1, None} 可选

计算整个数组或指定轴的非零值。

在 1.15.0 版本中添加。

返回:
numpy 数组

一个缩减的数组（没有轴 axis），保存非轴维度的每个索引的非零值数量。

注意

如果你想计算沿轴的非零值和显式存储的零值（例如 nnz），numpy 函数为常见的 CSR、CSC、COO 格式提供了两种快速方法。

对于 CSR（行）和 CSC（列）中的主轴，使用 np.diff

>>> import numpy as np
>>> import scipy as sp
>>> A = sp.sparse.csr_array([[4, 5, 0], [7, 0, 0]])
>>> major_axis_stored_values = np.diff(A.indptr)  # -> np.array([2, 1])

对于 CSR（列）和 CSC（行）中的次轴，使用 numpy.bincount，CSR 的 minlength 为 A.shape[1]，CSC 的 minlength 为 A.shape[0]

>>> csr_minor_stored_values = np.bincount(A.indices, minlength=A.shape[1])

对于 COO，对任意 axis 使用次轴方法

>>> A = A.tocoo()
>>> coo_axis0_stored_values = np.bincount(A.coords[0], minlength=A.shape[1])
>>> coo_axis1_stored_values = np.bincount(A.coords[1], minlength=A.shape[0])

示例

>>> A = sp.sparse.csr_array([[4, 5, 0], [7, 0, 0]])
>>> A.count_nonzero(axis=0)
array([2, 1, 0])
在本页