稀疏数组 (scipy.sparse)#

简介#

scipy.sparse 及其子模块提供了处理稀疏数组的工具。稀疏数组是指数组中只有少数位置包含数据,而大多数位置被认为是“空的”数组。稀疏数组非常有用,因为它们可以为线性代数 (scipy.sparse.linalg) 或基于图的计算 (scipy.sparse.csgraph) 提供更简单、更快和/或更省内存的算法,但它们通常在切片、重塑或赋值等操作上灵活性较差。本指南将介绍 scipy.sparse 中稀疏数组的基础知识,解释稀疏数据结构的独特方面,并引导您查看用户指南中解释 稀疏线性代数图方法 的其他部分。

稀疏数组入门#

稀疏数组是一种特殊的数组,其中只有少数位置包含数据。这使得可以使用数据的压缩表示,只记录存在数据的位置。有许多不同的稀疏数组格式,每种格式在压缩和功能之间做出了不同的权衡。首先,让我们构建一个非常简单的稀疏数组,即坐标 (COO) 数组 (coo_array),并将其与密集数组进行比较。

>>> import scipy as sp
>>> import numpy as np
>>> dense = np.array([[1, 0, 0, 2], [0, 4, 1, 0], [0, 0, 5, 0]])
>>> sparse = sp.sparse.coo_array(dense)
>>> dense
array([[1, 0, 0, 2],
    [0, 4, 1, 0],
    [0, 0, 5, 0]])
>>> sparse
<COOrdinate sparse array of dtype 'int64'
     with 5 stored elements and shape (3, 4)>

请注意,在我们的密集数组中,有五个非零值。例如,2 位于位置 0,3,而 4 位于位置 1,1。所有其他值都为零。稀疏数组明确地记录了这五个值(参见 5 stored elements and shape (3, 4)),然后将所有剩余的零表示为隐式值。

大多数稀疏数组方法的工作方式与密集数组方法类似

>>> sparse.max()
5
>>> dense.max()
5
>>> sparse.argmax()
10
>>> dense.argmax()
10
>>> sparse.mean()
1.0833333333333333
>>> dense.mean()
1.0833333333333333

稀疏数组也具有一些“额外”属性,例如 .nnz,它返回存储值的数量。

>>> sparse.nnz
5

大多数归约操作,例如 .mean().sum().max(),当应用于稀疏数组的一个轴时,将返回一个 numpy 数组。

>>> sparse.mean(axis=1)
array([0.75, 1.25, 1.25])

这是因为稀疏数组上的归约操作通常是密集的。

理解稀疏数组格式#

不同种类的稀疏数组具有不同的功能。例如,COO 数组不能被下标或切片。

>>> dense[2, 2]
5
>>> sparse[2, 2]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: 'coo_array' object is not subscriptable

但其他格式,例如压缩稀疏行 (CSR) csr_array,支持切片和元素索引。

>>> sparse.tocsr()[2, 2]
5

有时,scipy.sparse 将返回与输入稀疏矩阵格式不同的稀疏矩阵格式。例如,两个 COO 格式稀疏数组的点积将是一个 CSR 格式数组。

>>> sparse @ sparse.T
<Compressed Sparse Row sparse array of dtype 'int64'
     with 5 stored elements and shape (3, 3)>

这种变化发生是因为 scipy.sparse 会更改输入稀疏数组的格式,以便使用最有效的计算方法。

scipy.sparse 模块包含以下格式,每种格式都有其独特的优缺点:

有关每种稀疏数组格式的优缺点,请参阅其文档

所有 scipy.sparse 数组格式都可以直接从 numpy.ndarray 构建。然而,一些稀疏格式也可以通过其他方式构建。每种稀疏数组格式都有不同的优势,这些优势在每个类中都有说明。例如,构建稀疏数组最常见的方法之一是根据单独的 rowcolumndata 值来构建稀疏数组。对于我们之前的数组:

>>> dense
array([[1, 0, 0, 2],
    [0, 4, 1, 0],
    [0, 0, 5, 0]])

rowcolumndata 数组描述了稀疏数组中存在条目的行、列和值。

>>> row = [0,0,1,1,2]
>>> col = [0,3,1,2,2]
>>> data = [1,2,4,1,5]

利用这些,我们现在可以直接定义一个稀疏数组,而无需先构建一个密集数组。

>>> csr = sp.sparse.csr_array((data, (row, col)))
>>> csr
<Compressed Sparse Row sparse array of dtype 'int64'
     with 5 stored elements and shape (3, 4)>

不同的类有不同的构造函数,但 scipy.sparse.csr_arrayscipy.sparse.csc_arrayscipy.sparse.coo_array 允许这种构建方式。

稀疏数组、隐式零和重复项#

稀疏数组很有用,因为它们隐式地表示大部分值,而无需存储实际的占位符值。在 scipy.sparse 中,用于表示“无数据”的值是隐式零。当需要显式零时,这可能会令人困惑。例如,在 scipy.sparse.csgraph图方法 中,我们经常需要能够区分 (A) 连接节点 ij 的零权重链接和 (B) ij 之间没有链接。稀疏矩阵可以做到这一点,只要我们记住显式零和隐式零。

例如,在我们之前的 csr 数组中,我们可以通过在 data 列表中包含一个零来包含一个显式零。让我们将数组中最底行和最后一列的最终条目视为一个显式零

>>> row = [0,0,1,1,2,2]
>>> col = [0,3,1,2,2,3]
>>> data = [1,2,4,1,5,0]

那么,我们的稀疏数组将有六个存储元素,而不是五个。

>>> csr = sp.sparse.csr_array((data, (row, col)))
>>> csr
<Compressed Sparse Row sparse array of dtype 'int64'
     with 6 stored elements and shape (3, 4)>

“额外”的元素是我们的显式零。当转换回密集数组时,两者仍然相同,因为密集数组明确地表示所有内容。

>>> csr.todense()
array([[1, 0, 0, 2],
    [0, 4, 1, 0],
    [0, 0, 5, 0]])
>>> dense
array([[1, 0, 0, 2],
    [0, 4, 1, 0],
    [0, 0, 5, 0]])

但是,对于稀疏算术、线性代数和图方法,位置 2,3 的值将被视为一个显式零。要删除此显式零,我们可以使用 csr.eliminate_zeros() 方法。此方法对稀疏数组进行就地操作,并删除任何值为零的存储元素。

>>> csr
<Compressed Sparse Row sparse array of dtype 'int64'
     with 6 stored elements and shape (3, 4)>
>>> csr.eliminate_zeros()
>>> csr
<Compressed Sparse Row sparse array of dtype 'int64'
     with 5 stored elements and shape (3, 4)>

csr.eliminate_zeros() 之前,有六个存储元素。之后,只有五个存储元素。

另一个复杂点在于构建稀疏数组时如何处理重复项。当我们在构建稀疏数组时,在 row,col 位置有两个或更多条目时,可能会出现重复项。这在使用 datarowcol 向量构建稀疏数组时经常发生。例如,我们可能会用 1,1 处的重复值来表示我们之前的数组。

>>> row = [0,0,1,1,1,2]
>>> col = [0,3,1,1,2,2]
>>> data = [1,2,1,3,1,5]

在这种情况下,我们可以看到在最终数组的 1,1 位置对应着两个 data 值。scipy.sparse 将分别存储这些值。

>>> dupes = sp.sparse.coo_array((data, (row, col)))
>>> dupes
<COOrdinate sparse array of dtype 'int64'
     with 6 stored elements and shape (3, 4)>

请注意,这个稀疏数组中有六个存储元素,尽管只有五个唯一的数据出现位置。当这些数组转换回密集数组时,重复值会被求和。因此,在位置 1,1,密集数组将包含重复存储条目的总和,即 1 + 3

>>> dupes.todense()
array([[1, 0, 0, 2],
      [0, 4, 1, 0],
      [0, 0, 5, 0]])

要移除稀疏数组内部的重复值并从而减少存储元素的数量,我们可以使用 .sum_duplicates() 方法。

>>> dupes.sum_duplicates()
>>> dupes
<COOrdinate sparse array of dtype 'int64'
     with 5 stored elements and shape (3, 4)>

现在我们的稀疏数组中只有五个存储元素,并且它与本指南中一直使用的数组相同。

>>> dupes.todense()
array([[1, 0, 0, 2],
       [0, 4, 1, 0],
       [0, 0, 5, 0]])

规范格式#

几种稀疏数组格式具有“规范格式”,以实现更高效的操作。通常这些格式包含额外的限制,例如:

  • 任何值都没有重复条目

  • 有序索引

具有规范形式的类包括:coo_arraycsr_arraycsc_arraybsr_array。有关每个规范表示的详细信息,请参阅这些类的文档字符串。

要检查这些类的一个实例是否处于规范形式,请使用 .has_canonical_format 属性。

>>> coo = sp.sparse.coo_array(([1, 1, 1], ([0, 2, 1], [0, 1, 2])))
>>> coo.has_canonical_format
False

要将实例转换为规范形式,请使用 .sum_duplicates() 方法。

>>> coo.sum_duplicates()
>>> coo.has_canonical_format
True

稀疏数组的后续步骤#

稀疏数组类型在处理大型、几乎为空的数组时最有用。具体来说,在这些情况下,稀疏线性代数稀疏图方法 在效率方面改进最大。