scipy.sparse.

load_npz#

scipy.sparse.load_npz(file)[源代码]#

使用 .npz 格式从文件中加载稀疏数组/矩阵。

参数:

filestr 或文件类对象: 文件名（字符串）或将加载数据的打开文件（文件类对象）。

返回:

resultcsc_array、csr_array、bsr_array、dia_array 或 coo_array: 包含已加载数据的稀疏数组/矩阵。

引发:

OSError: 如果输入文件不存在或无法读取。

另请参阅

scipy.sparse.save_npz: 使用 .npz 格式将稀疏数组/矩阵保存到文件。
numpy.load: 从 .npz 归档文件中加载多个数组。

示例

将稀疏数组/矩阵存储到磁盘，然后重新加载

>>> import numpy as np
>>> import scipy as sp
>>> sparse_array = sp.sparse.csc_array([[0, 0, 3], [4, 0, 0]])
>>> sparse_array
<Compressed Sparse Column sparse array of dtype 'int64'
    with 2 stored elements and shape (2, 3)>
>>> sparse_array.toarray()
array([[0, 0, 3],
       [4, 0, 0]], dtype=int64)

>>> sp.sparse.save_npz('/tmp/sparse_array.npz', sparse_array)
>>> sparse_array = sp.sparse.load_npz('/tmp/sparse_array.npz')

>>> sparse_array
<Compressed Sparse Column sparse array of dtype 'int64'
    with 2 stored elements and shape (2, 3)>
>>> sparse_array.toarray()
array([[0, 0, 3],
       [4, 0, 0]], dtype=int64)

在此示例中，我们强制结果从 csr_matrix >>> sparse_matrix = sp.sparse.csc_matrix([[0, 0, 3], [4, 0, 0]]) >>> sp.sparse.save_npz(‘/tmp/sparse_matrix.npz’, sparse_matrix) >>> tmp = sp.sparse.load_npz(‘/tmp/sparse_matrix.npz’) >>> sparse_array = sp.sparse.csr_array(tmp) 中成为 csr_array