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密集表示

0.11.0 版本中新增。

参数:
csgraphcsr_array, csc_array, 或 lil_array

图的稀疏表示。

null_valuefloat, optional (可选)

用于指示密集表示中的空边的值。默认值为 0。

返回:
graphndarray

稀疏图的密集表示。

注释

对于正常的稀疏图表示，调用 null_value=0 的 csgraph_to_dense 会产生与在主稀疏包中使用密集格式转换等效的结果。但是，当稀疏表示具有重复值时，结果会有所不同。 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，这里我们将创建一个具有从节点 0 到节点 1 的多个边的两节点有向稀疏图，权重为 2 和 3。这说明了行为上的差异

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

这种差异的原因是允许压缩稀疏图表示任意两个节点之间的多条边。由于大多数稀疏图算法都关注任意两个节点之间的单个最低成本边，因此在这种情况下，scipy.sparse 默认的加权多个权重的行为没有意义。

使用此例程的另一个原因是允许具有零权重边的图。让我们看一下一个由权重为零的边连接的两个节点有向图的例子

>>> from scipy.sparse import csr_array, csgraph
>>> data = np.array([0.0])
>>> indices = np.array([1])
>>> indptr = np.array([0, 1, 1])
>>> M = csr_array((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，零权重边在密集表示中丢失了。在第二种情况下，我们可以选择一个不同的空值并查看图的真实形式。

示例

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

>>> graph = csr_array( [
... [0, 1, 2, 0],
... [0, 0, 0, 1],
... [0, 0, 0, 3],
... [0, 0, 0, 0]
... ])
>>> graph
<Compressed Sparse Row sparse array 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.]])
在此页上