csr_array#
- class scipy.sparse.csr_array(arg1, shape=None, dtype=None, copy=False, *, maxprint=None)[source]#
壓縮稀疏行陣列。
- 這可以透過幾種方式實例化
- csr_array(D)
其中 D 是一個 2 維 ndarray
- csr_array(S)
與另一個稀疏陣列或矩陣 S (等同於 S.tocsr())
- csr_array((M, N), [dtype])
建構一個形狀為 (M, N) 的空陣列，dtype 是可選的，預設為 dtype=’d’。
- csr_array((data, (row_ind, col_ind)), [shape=(M, N)])
其中
data、row_ind和col_ind滿足關係式a[row_ind[k], col_ind[k]] = data[k]。- csr_array((data, indices, indptr), [shape=(M, N)])
是標準的 CSR 表示法，其中第 i 列的行索引儲存在
indices[indptr[i]:indptr[i+1]]中，而它們對應的值儲存在data[indptr[i]:indptr[i+1]]中。如果未提供 shape 參數，則陣列維度會從索引陣列中推斷。
註記
稀疏陣列可以用於算術運算：它們支援加法、減法、乘法、除法和矩陣冪。
- CSR 格式的優點
高效的算術運算 CSR + CSR、CSR * CSR 等。
高效的行切片
快速矩陣向量乘積
- CSR 格式的缺點
慢速的列切片運算 (考慮 CSC)
更改稀疏結構的成本很高 (考慮 LIL 或 DOK)
- 標準格式
在每一行中，索引依列排序。
沒有重複的條目。
範例
>>> import numpy as np >>> from scipy.sparse import csr_array >>> csr_array((3, 4), dtype=np.int8).toarray() array([[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]], dtype=int8)
>>> row = np.array([0, 0, 1, 2, 2, 2]) >>> col = np.array([0, 2, 2, 0, 1, 2]) >>> data = np.array([1, 2, 3, 4, 5, 6]) >>> csr_array((data, (row, col)), shape=(3, 3)).toarray() array([[1, 0, 2], [0, 0, 3], [4, 5, 6]])
>>> indptr = np.array([0, 2, 3, 6]) >>> indices = np.array([0, 2, 2, 0, 1, 2]) >>> data = np.array([1, 2, 3, 4, 5, 6]) >>> csr_array((data, indices, indptr), shape=(3, 3)).toarray() array([[1, 0, 2], [0, 0, 3], [4, 5, 6]])
重複的條目會加總在一起
>>> row = np.array([0, 1, 2, 0]) >>> col = np.array([0, 1, 1, 0]) >>> data = np.array([1, 2, 4, 8]) >>> csr_array((data, (row, col)), shape=(3, 3)).toarray() array([[9, 0, 0], [0, 2, 0], [0, 4, 0]])
作為如何逐步建構 CSR 陣列的範例，以下程式碼片段從文本建構詞彙-文件陣列
>>> docs = [["hello", "world", "hello"], ["goodbye", "cruel", "world"]] >>> indptr = [0] >>> indices = [] >>> data = [] >>> vocabulary = {} >>> for d in docs: ... for term in d: ... index = vocabulary.setdefault(term, len(vocabulary)) ... indices.append(index) ... data.append(1) ... indptr.append(len(indices)) ... >>> csr_array((data, indices, indptr), dtype=int).toarray() array([[2, 1, 0, 0], [0, 1, 1, 1]])
- 屬性:
- dtypedtype
陣列的資料型別
- shape2-tuple
陣列的形狀
- ndimint
維度數量 (始終為 2)
nnz非零值的數量。
size元素總數。
- data
陣列的 CSR 格式資料陣列
- indices
陣列的 CSR 格式索引陣列
- indptr
陣列的 CSR 格式索引指標陣列
has_sorted_indices索引是否已排序
has_canonical_format陣列/矩陣是否具有排序的索引且沒有重複項
T轉置。
方法
__len__()arcsin()逐元素 arcsin。
arcsinh()逐元素 arcsinh。
arctan()逐元素 arctan。
arctanh()逐元素 arctanh。
argmax([axis, out, explicit])返回沿軸的最大元素索引。
argmin([axis, out, explicit])返回沿軸的最小元素索引。
asformat(format[, copy])以傳遞的格式返回此陣列/矩陣。
astype(dtype[, casting, copy])將陣列/矩陣元素轉換為指定的型別。
ceil()逐元素 ceil。
check_format([full_check])檢查陣列/矩陣是否符合 CSR 或 CSC 格式。
conj([copy])逐元素複數共軛。
conjugate([copy])逐元素複數共軛。
copy()返回此陣列/矩陣的副本。
count_nonzero([axis])非零條目的數量，等同於
deg2rad()逐元素 deg2rad。
diagonal([k])返回陣列/矩陣的第 k 條對角線。
dot(other)普通點積
從陣列/矩陣中移除零條目
expm1()逐元素 expm1。
floor()逐元素 floor。
log1p()逐元素 log1p。
max([axis, out, explicit])返回陣列/矩陣的最大值或沿軸的最大值。
maximum(other)此陣列/矩陣與另一個陣列/矩陣之間的逐元素最大值。
mean([axis, dtype, out])計算沿指定軸的算術平均值。
min([axis, out, explicit])返回陣列/矩陣的最小值或沿軸的最小值。
minimum(other)此陣列/矩陣與另一個陣列/矩陣之間的逐元素最小值。
multiply(other)逐點乘以陣列/矩陣、向量或純量。
nanmax([axis, out, explicit])返回沿軸的最大值，忽略任何 Nan。
nanmin([axis, out, explicit])返回沿軸的最小值，忽略任何 Nan。
nonzero()陣列/矩陣的非零索引。
power(n[, dtype])此函數執行逐元素冪運算。
prune()移除所有非零元素後的空白空間。
rad2deg()逐元素 rad2deg。
reshape(self, shape[, order, copy])為稀疏陣列/矩陣提供新的形狀，而無需更改其資料。
resize(*shape)將陣列/矩陣就地調整大小為
shape給定的維度rint()逐元素 rint。
setdiag(values[, k])設定陣列/矩陣的對角線或非對角線元素。
sign()逐元素 sign。
sin()逐元素 sin。
sinh()逐元素 sinh。
就地排序此陣列/矩陣的索引
返回此陣列/矩陣的副本，其中索引已排序
sqrt()逐元素 sqrt。
sum([axis, dtype, out])將陣列/矩陣元素沿給定軸求和。
透過將重複的條目加總在一起來消除它們
tan()逐元素 tan。
tanh()逐元素 tanh。
toarray([order, out])返回此稀疏陣列/矩陣的密集 ndarray 表示形式。
tobsr([blocksize, copy])將此陣列/矩陣轉換為區塊稀疏行格式。
tocoo([copy])將此陣列/矩陣轉換為座標格式。
tocsc([copy])將此陣列/矩陣轉換為壓縮稀疏行格式。
tocsr([copy])將此陣列/矩陣轉換為壓縮稀疏行格式。
todense([order, out])返回此稀疏陣列的密集表示形式。
todia([copy])將此陣列/矩陣轉換為稀疏對角格式。
todok([copy])將此陣列/矩陣轉換為鍵字典格式。
tolil([copy])將此陣列/矩陣轉換為列表的列表格式。
trace([offset])返回稀疏陣列/矩陣沿對角線的總和。
transpose([axes, copy])反轉稀疏陣列/矩陣的維度。
trunc()逐元素 trunc。
__getitem__
__mul__