scipy.sparse.

coo_matrix#

类 scipy.sparse.coo_matrix(arg1, shape=None, dtype=None, copy=False)[源代码]#

一个坐标格式的稀疏矩阵。

也可称为“ijv”或“三元组”格式。

可以以多种方式初始化它
coo_matrix(D)

其中 D 是一个 2-D Ndarray

coo_matrix(S)

带另一个稀疏数组或矩阵 S（等效于 S.tocoo()）

coo_matrix((M, N), [dtype])

构建一个形状为 (M, N) 的空矩阵，dtype 是可选的，默认值为 dtype='d'。

coo_matrix((data, (i, j)), [shape=(M, N)])
从三个数组构建

  1. data[:]　矩阵中的条目，按任意顺序排列

  2. i[:]　矩阵条目的行索引

  3. j[:]　矩阵条目的列索引

其中 A[i[k], j[k]] = data[k]。当未指定形状时，会从索引数组中推断出来

备注

稀疏矩阵可用于算术运算：它们支持加法、减法、乘法、除法和矩阵幂。

COO 格式的优点

  • 便于在稀疏格式之间快速转换

  • 允许重复条目（见示例）

  • 非常快地转换到 CSR/CSC 格式和从 CSR/CSC 格式转换

COO 格式的缺点
  • 不支持

    • 算术运算

    • 切分

预期用法

  • COO 是一种用于构建稀疏矩阵的快速格式

  • 一旦构建了一个 COO 矩阵，就将其转换为 CSR 或 CSC 格式以快速执行算术运算和矩阵向量运算

  • 将 COO 矩阵转换为 CSR 或 CSC 格式时，默认情况下，重复的 (i,j) 条目将被相加。这有助于有效地构建有限元矩阵等。（查看示例）

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）

  • 数据数组可能具有显式零。

示例

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

>>> # Constructing a matrix 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_matrix((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 matrix 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_matrix((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]])
属性:
dtype数据类型

矩阵的数据类型

shape2 元组

矩阵的形状

ndim整型

维度数（始终为 2）

nnz

存储值的数目，包括显式零。

size

存储值的数目。

data

矩阵的 COO 格式数据数组

row

矩阵的 COO 格式行索引数组

col

矩阵的 COO 格式列索引数组

has_canonical_format布尔值

矩阵是否有排序的索引且没有重复项

format

用于矩阵的格式字符串。

T

转置。

方法

__len__()

__mul__(other)

arcsin()

逐个元素的反正弦。

arcsinh()

逐个元素的反正弦曲双曲函数。

arctan()

逐个元素反正切。

arctanh()

逐个元素反正切曲双曲函数。

argmax([axis, out])

返回沿着轴的最大元素的索引。

argmin([axis, out])

返回沿着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。

asfptype()

将矩阵提升到浮点格式（如果需要的话）

astype(dtype[, casting, copy])

将数组/矩阵元素强制转换为指定类型。

ceil()

逐元素向上取整。

conj([copy])

逐元素复共轭。

conjugate([copy])

逐元素复共轭。

copy()

返回当前数组/矩阵的副本。

count_nonzero()

非零项的数量，相当于

deg2rad()

逐元素 deg2rad。

diagonal([k])

返回数组/矩阵的第 `k` 个对角线。

dot(other)

普通点积

eliminate_zeros()

移除数组/矩阵中的零项

expm1()

逐元素 expm1。

floor()

逐元素向下取整。

getH()

返回该矩阵的厄米转置。

get_shape()

获取矩阵的形状

getcol(j)

返回矩阵的列 `j` 的副本，作为稀疏矩阵（列向量）`(m x 1)`。

getformat()

矩阵存储格式

getmaxprint()

打印时要显示的最大元素数量。

getnnz([axis])

存储值的数目，包括显式零。

getrow(i)

返回数组中行 `i` 的副本，作为稀疏矩阵（行向量）`(1 x n)`。

log1p()

逐元素 log1p。

max([axis, out])

返回数组/矩阵的最大值或沿轴的最大值。

maximum(其他)

与其他数组/矩阵进行逐元素比较。

mean([axis, dtype, out])

计算指定轴上的算术平均值。

min([axis, out])

返回数组/矩阵或在轴上最大值的最小值。

minimum(其他)

与其他数组/矩阵进行逐元素比较。

multiply(其他)

逐点乘以其他数组/矩阵。

nanmax([axis, out])

返回数组/矩阵或在轴上的最大值，忽略所有 NaN。

nanmin([axis, out])

返回数组/矩阵或在轴上的最小值，忽略所有 NaN。

非零()

数组/矩阵的非零索引。

power(n[, dtype])

此函数执行逐元素乘方。

rad2deg()

逐元素 rad2deg。

reshape(self, shape[, order, copy])

更改稀疏数组/矩阵的新形状而不更改其数据。

resize(*shape)

将数组/矩阵就地调整为由 shape

rint()

逐元素 rint。

set_shape(形状)

就地设置矩阵的形状

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。

sin()

逐元素sin。

sinh()

逐元素sinh。

sqrt()

逐元素sqrt。

sum([axis, dtype, out])

沿给定轴线对数组/矩阵元素进行求和。

sum_duplicates()

通过相加去除重复项

tan()

逐元素tan。

tanh()

逐元素tanh。

toarray([order, out])

返回此稀疏数组/矩阵的稠密ndarray表示形式。

tobsr([blocksize, copy])

将此数组/矩阵转换为逐块稀疏行格式。

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/矩阵的稠密表示形式。

todia([copy])

将此数组/矩阵转换为稀疏对角线格式。

todok([copy])

将此数组/矩阵转换为字典关键格式。

tolil([copy])

将该数组/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。

截断()

逐元素截断。
在此页面上