scipy.sparse.dia_matrix.

count_nonzero#

dia_matrix.count_nonzero(axis=None)[源代码]#

非零条目的数量，等同于

np.count_nonzero(a.toarray(), axis=axis)

与返回存储条目数量（数据属性的长度）的 nnz 属性不同，此方法计算数据中非零条目的实际数量。

重复的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，或沿指定的轴计算。

在版本 1.15.0 中添加。

返回值:

numpy 数组: 一个简化的数组（没有轴 axis），其中包含非轴维度的每个索引的非零值的数量。

注释

如果您想计算非零值和显式零存储值（例如 nnz）沿轴的数量，numpy 函数为常见的 CSR、CSC、COO 格式提供了两种快速方法。

对于 CSR（行）和 CSC（列）中的主轴，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，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，将次轴方法用于任何 axis

>>> 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])