[译]coo_matrix

本文主要是介绍[译]coo_matrix，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

• scipy.sparse.coo_matrix

class scipy.sparse.coo_matrix(arg1, shape=None, dtype=None, copy=False)

坐标格式（COOrdinate format）的稀疏矩阵。coo就是COOrdinate的缩写

又名’ijv’或’triplet’格式。

举例说明如下：

1. coo_matrix(D)

   密集矩阵

2. coo_matrix(S)

   另一个稀疏矩阵S，等价于S.tocoo()

3. coo_matrix((M, N), [dtype])

   构造一个(M, N)结构的0矩阵，dtype可选，默认’d’

4. coo_matrix((data, (i, j)), [shape=(M, N)])

   从三种方式构造：

   • data[:] 非零数据

   • i[:] matrix entries矩阵元素的行索引

   • j[:] 矩阵元素的列索引

• 作用

稀疏矩阵可用于算数运算：支持加减乘除以及矩阵运算。

COO形式优点：

1. 稀疏格式间的快速转换
2. 允许复制元素
3. 与CSR/CSC形式间快速互换

COO形式缺点：（不能直接支持）

1. 算术运算
2. 切片

• 推荐用法

1. COO是构建稀疏矩阵的快速形式
2. 只有矩阵构建后，再转成CSR、CSC形式用于快速算术及矩阵运算
3. 默认情况下，当转成CSR、CSC形式，(i,j)元素副本会被求和。这有助于快速构建有限元素矩阵。

• Examples

>>> from scipy.sparse import coo_matrix
>>> coo_matrix((3,4), dtype=np.int8).todense()
matrix([[0, 0, 0, 0],[0, 0, 0, 0],[0, 0, 0, 0]], dtype=int8)

>>>

>>> row  = np.array([0,3,1,0])
>>> col  = np.array([0,3,1,2])
>>> data = np.array([4,5,7,9])
>>> coo_matrix((data,(row,col)), shape=(4,4)).todense()
matrix([[4, 0, 9, 0],[0, 7, 0, 0],[0, 0, 0, 0],[0, 0, 0, 5]])

>>>

>>> # example with duplicates
>>> row  = np.array([0,0,1,3,1,0,0])
>>> col  = np.array([0,2,1,3,1,0,0])
>>> data = np.array([1,1,1,1,1,1,1])
>>> coo_matrix((data, (row,col)), shape=(4,4)).todense()
matrix([[3, 0, 1, 0],[0, 2, 0, 0],[0, 0, 0, 0],[0, 0, 0, 1]])

• Methods

Methods	意义
tocsc()	Compressed Sparse Column 形式的副本
tocsr()	Compressed Sparse Row 形式的副本
todense([order, out])	返回这个矩阵的稠密表示

这篇关于[译]coo_matrix的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---