csr_array#
- class scipy.sparse.csr_array(arg1, shape=None, dtype=None, copy=False)[source]#
压缩稀疏行数组。
- 它可以通过多种方式实例化
- csr_array(D)
其中 D 是一个 2 维 ndarray
- csr_array(S)
使用另一个稀疏数组或矩阵 S(等效于 S.tocsr())
- csr_array((M, N), [dtype])
构建一个形状为 (M, N) 的空数组,dtype 可选,默认为 dtype='d'。
- csr_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]
。- csr_array((data, indices, indptr), [shape=(M, N)])
是标准的 CSR 表示,其中第 i 行的列索引存储在
indices[indptr[i]:indptr[i+1]]
中,它们对应的值存储在data[indptr[i]:indptr[i+1]]
中。如果未提供 shape 参数,则数组维度将从索引数组推断。
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。
- CSR 格式的优点
高效的算术运算 CSR + CSR、CSR * CSR 等。
高效的行切片
快速矩阵向量乘积
- CSR 格式的缺点
缓慢的列切片操作(考虑 CSC)
稀疏结构的更改代价高昂(考虑 LIL 或 DOK)
- 规范格式
在每行中,索引按列排序。
没有重复的条目。
示例
>>> import numpy as np >>> from scipy.sparse import csr_array >>> csr_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, 0, 1, 2, 2, 2]) >>> col = np.array([0, 2, 2, 0, 1, 2]) >>> data = np.array([1, 2, 3, 4, 5, 6]) >>> csr_array((data, (row, col)), shape=(3, 3)).toarray() array([[1, 0, 2], [0, 0, 3], [4, 5, 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]) >>> csr_array((data, indices, indptr), shape=(3, 3)).toarray() array([[1, 0, 2], [0, 0, 3], [4, 5, 6]])
重复的条目将被加在一起
>>> row = np.array([0, 1, 2, 0]) >>> col = np.array([0, 1, 1, 0]) >>> data = np.array([1, 2, 4, 8]) >>> csr_array((data, (row, col)), shape=(3, 3)).toarray() array([[9, 0, 0], [0, 2, 0], [0, 4, 0]])
以下片段演示了如何增量构建 CSR 数组,它从文本中构建一个词项文档数组
>>> docs = [["hello", "world", "hello"], ["goodbye", "cruel", "world"]] >>> indptr = [0] >>> indices = [] >>> data = [] >>> vocabulary = {} >>> for d in docs: ... for term in d: ... index = vocabulary.setdefault(term, len(vocabulary)) ... indices.append(index) ... data.append(1) ... indptr.append(len(indices)) ... >>> csr_array((data, indices, indptr), dtype=int).toarray() array([[2, 1, 0, 0], [0, 1, 1, 1]])
- 属性::
- dtypedtype
数组的数据类型
- shape2 元组
数组的形状
- ndimint
维数(始终为 2)
nnz
存储值的个数,包括显式零。
size
存储值的个数。
- data
数组的 CSR 格式数据数组
- indices
数组的 CSR 格式索引数组
- indptr
数组的 CSR 格式索引指针数组
has_sorted_indices
索引是否已排序
has_canonical_format
数组/矩阵是否具有排序的索引且没有重复项
T
转置。
方法
__getitem__
(key)__len__
()arcsin
()逐元素反正弦。
arcsinh
()逐元素反双曲正弦。
arctan
()逐元素反正切。
arctanh
()逐元素反双曲正切。
argmax
([axis, out])返回沿指定轴的最大元素的索引。
argmin
([axis, out])返回沿指定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的类型。
ceil
()逐元素向上取整。
check_format
([full_check])检查数组/矩阵是否符合 CSR 或 CSC 格式。
conj
([copy])逐元素复共轭。
conjugate
([copy])逐元素复共轭。
copy
()返回此数组/矩阵的副本。
非零条目的个数,等效于
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
从数组/矩阵中删除零条目
expm1
()逐元素 expm1。
floor
()逐元素向下取整。
log1p
()逐元素 log1p。
max
([axis, out])返回数组/矩阵的最大值或沿指定轴的最大值。
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])返回数组/矩阵的最小值或沿指定轴的最小值。
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)通过数组/矩阵、向量或标量进行逐点乘法。
nanmax
([axis, out])返回数组/矩阵的最大值或沿指定轴的最大值,忽略任何 NaN。
nanmin
([axis, out])返回数组/矩阵的最小值或沿指定轴的最小值,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。
prune
()删除所有非零元素之后的空隙。
rad2deg
()逐元素 rad2deg。
reshape
(self, shape[, order, copy])在不改变其数据的情况下为稀疏数组/矩阵赋予新的形状。
resize
(*shape)将数组/矩阵就地调整为由
shape
给定的维度。rint
()逐元素 rint。
setdiag
(values[, k])设置数组/矩阵的对角线或非对角线元素。
sign
()逐元素符号。
sin
()逐元素正弦。
sinh
()逐元素双曲正弦。
对此数组/矩阵的索引进行 *就地* 排序。
返回一个具有排序索引的此数组/矩阵的副本。
sqrt
()逐元素平方根。
sum
([axis, dtype, out])对数组/矩阵元素沿指定轴求和。
通过将它们加在一起来消除重复的条目。
tan
()逐元素正切。
tanh
()逐元素双曲正切。
toarray
([order, out])返回此稀疏数组/矩阵的密集 ndarray 表示形式。
tobsr
([blocksize, copy])将此数组/矩阵转换为块稀疏行格式。
tocoo
([copy])将此数组/矩阵转换为坐标格式。
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 (CSR) 格式。
todense
([order, out])返回此稀疏数组/矩阵的稠密表示。
todia
([copy])将此数组/矩阵转换为稀疏对角线 (DIA) 格式。
todok
([copy])将此数组/矩阵转换为键字典 (DOK) 格式。
tolil
([copy])将此数组/矩阵转换为列表列表 (LIL) 格式。
trace
([offset])返回稀疏数组/矩阵对角线的总和。
transpose
([axes, copy])反转稀疏数组/矩阵的维度。
trunc
()逐元素截断。
__mul__