scipy.sparse.

coo_array#

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

COOrdinate 格式的稀疏数组。

也称为“ijv”或“三元组”格式。

这可以通过以下几种方式实例化
coo_array(D)

其中 D 是一个 ndarray

coo_array(S)

使用另一个稀疏数组或矩阵 S（等同于 S.tocoo()）

coo_array(shape, [dtype])

构建一个具有形状 shape 的空稀疏数组。dtype 是可选的，默认为 dtype='d'。

coo_array((data, coords), [shape])
从现有数据和索引数组构建

  1. data[:] 稀疏数组的条目，顺序不限

  2. coords[i][:] 数据条目的轴 i 坐标

其中 A[coords] = data，且 coords 是一个索引数组的元组。如果未指定 shape，则从索引数组推断。

属性:
dtypedtype

稀疏数组的数据类型

shape整数元组

稀疏数组的形状

ndimint

稀疏数组的维度数量

nnz

存储值的数量，包括显式零。

size

存储值的数量。

data

稀疏数组的 COO 格式数据数组

coords

COO 格式的索引数组元组

has_canonical_formatbool

矩阵是否具有排序坐标且无重复项

format

矩阵的格式字符串。

T

转置。

方法

__len__()

arcsin()

逐元素的反正弦。

arcsinh()

逐元素的反正弦双曲。

arctan()

逐元素的反正切。

arctanh()

逐元素的反正切双曲。

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()

逐元素的向上取整。

conj([copy])

逐元素的复共轭。

conjugate([copy])

逐元素的复共轭。

copy()

返回此数组/矩阵的副本。

count_nonzero([axis])

非零条目数量，等同于

deg2rad()

逐元素的角度转弧度。

diagonal([k])

返回数组/矩阵的第 k 条对角线。

dot(other)

返回两个数组的点积。

eliminate_zeros()

从数组/矩阵中移除零条目

expm1()

逐元素的 expm1。

floor()

逐元素的向下取整。

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。

rad2deg()

逐元素的弧度转角度。

reshape(self, shape[, order, copy])

在不改变数据的情况下，为稀疏数组/矩阵赋予新形状。

resize(*shape)

将数组/矩阵就地调整为由 shape 给定的维度

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()

逐元素的符号。

sin()

逐元素的正弦。

sinh()

逐元素的双曲正弦。

sqrt()

逐元素的平方根。

sum([axis, dtype, out])

将数组/矩阵元素沿给定轴求和。

sum_duplicates()

通过将重复条目相加来消除它们

tan()

逐元素的正切。

tanh()

逐元素的双曲正切。

tensordot(other[, axes])

返回此数组与另一个数组沿给定轴的张量积。

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 COOrdinate 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/矩阵对角线上的和。

transpose([axes, copy])

反转稀疏数组/矩阵的维度。

trunc()

逐元素的截断。

__mul__

备注

稀疏数组可用于算术运算：它们支持加法、减法、乘法、除法和矩阵幂运算。

COO 格式的优点

  • 便于稀疏格式之间的快速转换

  • 允许重复条目（参见示例）

  • 与 CSR/CSC 格式之间转换非常快

COO 格式的缺点
  • 不支持直接

    • 算术运算

    • 切片

预期用途

  • COO 是一种用于构建稀疏数组的快速格式

  • 一旦构建了 COO 数组，将其转换为 CSR 或 CSC 格式以进行快速算术和矩阵向量运算

  • 默认情况下，当转换为 CSR 或 CSC 格式时，重复的 (i,j) 条目将被累加。这有助于高效地构建有限元矩阵等。（参见示例）

规范格式

  • 条目和坐标按行排序，然后按列排序。

  • 没有重复条目（即重复的 (i,j) 位置）

  • 数据数组可能包含显式零。

示例

>>> # Constructing an empty sparse array
>>> import numpy as np
>>> from scipy.sparse import coo_array
>>> coo_array((3, 4), dtype=np.int8).toarray()
array([[0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0]], dtype=int8)

>>> # Constructing a sparse array using ijv format
>>> row  = np.array([0, 3, 1, 0])
>>> col  = np.array([0, 3, 1, 2])
>>> data = np.array([4, 5, 7, 9])
>>> coo_array((data, (row, col)), shape=(4, 4)).toarray()
array([[4, 0, 9, 0],
       [0, 7, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 5]])

>>> # Constructing a sparse array with duplicate coordinates
>>> row  = np.array([0, 0, 1, 3, 1, 0, 0])
>>> col  = np.array([0, 2, 1, 3, 1, 0, 0])
>>> data = np.array([1, 1, 1, 1, 1, 1, 1])
>>> coo = coo_array((data, (row, col)), shape=(4, 4))
>>> # Duplicate coordinates are maintained until implicitly or explicitly summed
>>> np.max(coo.data)
1
>>> coo.toarray()
array([[3, 0, 1, 0],
       [0, 2, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 1]])
在此页上