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_array、csc_array 或 lil_array: 图的稀疏表示。
null_valuefloat，可选: 用于表示稠密表示中的空边的值。默认值为 0。

返回:

graphndarray: 稀疏图的稠密表示。

注释

对于正常的稀疏图表示，调用 null_value=0 的 csgraph_to_dense 产生的结果与在主稀疏包中使用稠密格式转换等效。但是，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，这里我们将创建一个具有多个从节点 0 到节点 1 的边，权重为 2 和 3 的双节点有向稀疏图。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.]])

产生此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个边。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，因此默认的 scipy.sparse 求和多个权重的行为在这种情况下没有意义。

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双节点有向图的示例

>>> 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，零权重边在稠密表示中丢失。在第二种情况下，我们可以选择不同的空值，并看到图的真实形式。

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.]])