scipy.sparse.

csc_array#

class scipy.sparse.csc_array(arg1, shape=None, dtype=None, copy=False, *, maxprint=None)[源代码]#

压缩稀疏列数组。

这可以通过以下几种方式实例化
csc_array(D)

其中 D 是一个二维 ndarray

csc_array(S)

与另一个稀疏数组或矩阵 S (相当于 S.tocsc())

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

构造一个形状为 (M, N) 的空数组，dtype 是可选的，默认为 dtype='d'。

csc_array((data, (row_ind, col_ind)), [shape=(M, N)])

其中 data、row_ind 和 col_ind 满足关系 a[row_ind[k], col_ind[k]] = data[k]。

csc_array((data, indices, indptr), [shape=(M, N)])

是标准的 CSC 表示，其中列 i 的行索引存储在 indices[indptr[i]:indptr[i+1]] 中，其对应值存储在 data[indptr[i]:indptr[i+1]] 中。如果未提供 shape 参数，则数组维度从索引数组中推断。

属性:
dtypedtype

数组的数据类型

shape2-tuple

数组的形状

ndimint

维度数 (始终为 2)

nnz

存储的值的数量，包括显式零。

size

存储值的数量。

data

数组的 CSC 格式数据数组

indices

数组的 CSC 格式索引数组

indptr

数组的 CSC 格式索引指针数组

has_sorted_indices

索引是否已排序

has_canonical_format

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()

逐元素的 arcsin。

arcsinh()

逐元素的 arcsinh。

arctan()

逐元素的 arctan。

arctanh()

逐元素的 arctanh。

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])

以指定格式返回此数组/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 ceil。

check_format([full_check])

检查数组/矩阵是否符合 CSR 或 CSC 格式。

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])

非零项的数量，相当于

deg2rad()

逐元素的 deg2rad。

diagonal([k])

返回数组/矩阵的第 k 个对角线。

dot(other)

普通点积

eliminate_zeros()

从数组/矩阵中移除零项

expm1()

逐元素的 expm1。

floor()

逐元素的 floor。

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)

逐元素乘以另一个数组/矩阵。

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()

逐元素的 rad2deg。

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)

将数组/矩阵就地调整为 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 sign。

sin()

逐元素的 sin。

sinh()

逐元素的 sinh。

sort_indices()

就地排序此数组/矩阵的索引

sorted_indices()

返回此数组/矩阵的已排序索引副本

sqrt()

逐元素的 sqrt。

sum([axis, dtype, out])

对给定轴上的数组/矩阵元素求和。

sum_duplicates()

通过相加消除重复项

tan()

逐元素的 tan。

tanh()

逐元素的 tanh。

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 DIAgonal 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/矩阵沿对角线的和。

transpose([axes, copy])

反转稀疏数组/矩阵的维度。

trunc()

逐元素的 trunc。

__getitem__

__mul__

注释

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。

CSC 格式的优点

  • 高效的算术运算，如 CSC + CSC、CSC * CSC 等。

  • 高效的列切片

  • 快速的矩阵向量乘积 (CSR、BSR 可能更快)

CSC 格式的缺点

  • 慢速的行切片操作 (考虑使用 CSR)

  • 稀疏结构的变化开销大 (考虑使用 LIL 或 DOK)

规范格式

  • 在每列中，索引按行排序。

  • 没有重复项。

示例

>>> import numpy as np
>>> from scipy.sparse import csc_array
>>> csc_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, 2, 2, 0, 1, 2])
>>> col = np.array([0, 0, 1, 2, 2, 2])
>>> data = np.array([1, 2, 3, 4, 5, 6])
>>> csc_array((data, (row, col)), shape=(3, 3)).toarray()
array([[1, 0, 4],
       [0, 0, 5],
       [2, 3, 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])
>>> csc_array((data, indices, indptr), shape=(3, 3)).toarray()
array([[1, 0, 4],
       [0, 0, 5],
       [2, 3, 6]])
本页内容