scipy.sparse.csr_matrix.
count_nonzero#
- csr_matrix.count_nonzero(axis=None)[source]#
非零条目的数量,等同于
np.count_nonzero(a.toarray(), axis=axis)
与 nnz 属性不同,该属性返回存储条目的数量(数据属性的长度),此方法计算数据中实际的非零条目数量。
重复条目在计数之前会被求和。
- 参数:
- axis{-2, -1, 0, 1, None} 可选
计算整个数组的非零值,或沿指定轴计算。
1.15.0 版本中新增。
- 返回:
- numpy 数组
一个缩减的数组(没有轴 axis),其中包含非轴维度每个索引的非零值数量。
注释
如果想计算非零值和显式存储的零值(例如 nnz)沿轴的数量,对于常见的 CSR、CSC、COO 格式,
numpy
函数提供了两种快速的习语。对于 CSR(行)和 CSC(列)中的主轴,请使用 np.diff
>>> import numpy as np >>> import scipy as sp >>> A = sp.sparse.csr_array([[4, 5, 0], [7, 0, 0]]) >>> major_axis_stored_values = np.diff(A.indptr) # -> np.array([2, 1])
对于 CSR(列)和 CSC(行)中的次轴,请使用
numpy.bincount
,最小长度为 CSR 的A.shape[1]
和 CSC 的A.shape[0]
>>> csr_minor_stored_values = np.bincount(A.indices, minlength=A.shape[1])
对于 COO,对于任何 axis,都使用次轴方法
>>> A = A.tocoo() >>> coo_axis0_stored_values = np.bincount(A.coords[0], minlength=A.shape[1]) >>> coo_axis1_stored_values = np.bincount(A.coords[1], minlength=A.shape[0])
示例
>>> A = sp.sparse.csr_array([[4, 5, 0], [7, 0, 0]]) >>> A.count_nonzero(axis=0) array([2, 1, 0])