scipy.sparse.csgraph.

csgraph_to_dense#

scipy.sparse.csgraph.csgraph_to_dense(csgraph, null_value=0)#

将稀疏图表示转换为稠密表示

在版本 0.11.0 中添加。

参数:
csgraphcsr_matrix, csc_matrix, 或 lil_matrix

图的稀疏表示。

null_valuefloat, 可选

在稠密表示中用于指示空边的值。默认值为 0。

返回值:
graphndarray

稀疏图的稠密表示。

备注

对于正常的稀疏图表示，调用 csgraph_to_dense 并设置 null_value=0 会产生与在主稀疏包中使用稠密格式转换相同的结果。然而，当稀疏表示具有重复值时，结果将有所不同。scipy.sparse 中的工具将添加重复值以获得最终值。此函数将选择重复值中的最小值以获得最终值。例如，我们将创建一个有两个节点的有向稀疏图，从节点 0 到节点 1 有多条边，权重分别为 2 和 3。这说明了行为差异

>>> from scipy.sparse import csr_matrix, csgraph
>>> import numpy as np
>>> data = np.array([2, 3])
>>> indices = np.array([1, 1])
>>> indptr = np.array([0, 2, 2])
>>> M = csr_matrix((data, indices, indptr), shape=(2, 2))
>>> M.toarray()
array([[0, 5],
       [0, 0]])
>>> csgraph.csgraph_to_dense(M)
array([[0., 2.],
       [0., 0.]])

造成这种差异的原因是为了允许压缩稀疏图在任何两个节点之间表示多条边。由于大多数稀疏图算法关注的是任何两个节点之间单个成本最低的边，因此在该上下文中，scipy.sparse 对多个权重求和的默认行为没有意义。

使用此例程的另一个原因是允许具有零权重边的图。让我们看一个有两个节点的有向图的例子，它们通过权重为零的边连接

>>> from scipy.sparse import csr_matrix, csgraph
>>> data = np.array([0.0])
>>> indices = np.array([1])
>>> indptr = np.array([0, 1, 1])
>>> M = csr_matrix((data, indices, indptr), shape=(2, 2))
>>> M.toarray()
array([[0, 0],
       [0, 0]])
>>> csgraph.csgraph_to_dense(M, np.inf)
array([[inf,  0.],
       [inf, inf]])

在第一种情况下，零权重边在稠密表示中丢失了。在第二种情况下，我们可以选择不同的空值并查看图的真实形式。

示例

>>> from scipy.sparse import csr_matrix
>>> from scipy.sparse.csgraph import csgraph_to_dense

>>> graph = csr_matrix( [
... [0, 1, 2, 0],
... [0, 0, 0, 1],
... [0, 0, 0, 3],
... [0, 0, 0, 0]
... ])
>>> graph
<Compressed Sparse Row sparse matrix of dtype 'int64'
    with 4 stored elements and shape (4, 4)>

>>> csgraph_to_dense(graph)
array([[0., 1., 2., 0.],
       [0., 0., 0., 1.],
       [0., 0., 0., 3.],
       [0., 0., 0., 0.]])
本页内容