dia_array#
- class scipy.sparse.dia_array(arg1, shape=None, dtype=None, copy=False, *, maxprint=None)[源代码]#
采用对角线存储的稀疏数组。
- 可以通过以下几种方式实例化
- dia_array(D)
其中 D 是一个二维 ndarray
- dia_array(S)
使用另一个稀疏数组或矩阵 S（等同于 S.todia()）
- dia_array((M, N), [dtype])
构造一个形状为 (M, N) 的空数组，dtype 是可选的，默认为 dtype='d'。
- dia_array((data, offsets), shape=(M, N))
其中
data[k,:]存储对角线offsets[k]的对角线元素（参见以下示例）
- 属性:
方法
__len__()arcsin()逐元素的 arcsin。
arcsinh()逐元素的 arcsinh。
arctan()逐元素的 arctan。
arctanh()逐元素的 arctanh。
asformat(format[, copy])将此数组/矩阵以传入的格式返回。
astype(dtype[, casting, copy])将数组/矩阵元素转换为指定类型。
ceil()逐元素的 ceil。
conj([copy])逐元素的复共轭。
conjugate([copy])逐元素的复共轭。
copy()返回此数组/矩阵的副本。
count_nonzero([axis])非零条目数，等同于
deg2rad()逐元素的 deg2rad。
diagonal([k])返回数组/矩阵的第 k 条对角线。
dot(other)普通点积
expm1()逐元素的 expm1。
floor()逐元素的 floor。
log1p()逐元素的 log1p。
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])沿指定轴计算算术平均值。
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)逐元素与另一个数组/矩阵相乘。
nonzero()数组/矩阵的非零索引。
power(n[, dtype])此函数执行逐元素幂运算。
rad2deg()逐元素的 rad2deg。
reshape(self, shape[, order, copy])为稀疏数组/矩阵赋予新形状，而不改变其数据。
resize(*shape)将数组/矩阵原地调整为
shape给定的维度rint()逐元素的 rint。
setdiag(values[, k])设置数组/矩阵的对角线或非对角线元素。
sign()逐元素的 sign。
sin()逐元素的 sin。
sinh()逐元素的 sinh。
sqrt()逐元素的 sqrt。
sum([axis, dtype, out])沿给定轴对数组/矩阵元素求和。
tan()逐元素的 tan。
tanh()逐元素的 tanh。
toarray([order, out])返回此稀疏数组/矩阵的密集 ndarray 表示。
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格式。
todense([order, out])返回此稀疏数组的密集表示。
todia([copy])将此数组/矩阵转换为稀疏对角线格式。
todok([copy])将此数组/矩阵转换为键字典格式。
tolil([copy])将此数组/矩阵转换为列表的列表格式。
trace([offset])返回稀疏数组/矩阵沿对角线的和。
transpose([axes, copy])反转稀疏数组/矩阵的维度。
trunc()逐元素的 trunc。
__mul__
注意事项
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。采用对角线存储的稀疏数组不支持切片。
示例
>>> import numpy as np >>> from scipy.sparse import dia_array >>> dia_array((3, 4), dtype=np.int8).toarray() array([[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]], dtype=int8)
>>> data = np.array([[1, 2, 3, 4]]).repeat(3, axis=0) >>> offsets = np.array([0, -1, 2]) >>> dia_array((data, offsets), shape=(4, 4)).toarray() array([[1, 0, 3, 0], [1, 2, 0, 4], [0, 2, 3, 0], [0, 0, 3, 4]])
>>> from scipy.sparse import dia_array >>> n = 10 >>> ex = np.ones(n) >>> data = np.array([ex, 2 * ex, ex]) >>> offsets = np.array([-1, 0, 1]) >>> dia_array((data, offsets), shape=(n, n)).toarray() array([[2., 1., 0., ..., 0., 0., 0.], [1., 2., 1., ..., 0., 0., 0.], [0., 1., 2., ..., 0., 0., 0.], ..., [0., 0., 0., ..., 2., 1., 0.], [0., 0., 0., ..., 1., 2., 1.], [0., 0., 0., ..., 0., 1., 2.]])