栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 软件开发 > 后端开发 > Python

Scipy.sparse中coo

Python 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

Scipy.sparse中coo

简介 1. coo_matrix: 坐标格式的矩阵(Coodrdinate format matrix)
data = [1, 1, 1]
row = [0, 1, 1]
col = [0, 1, 1]
matrix = sp.coo_matrix((data, (row, col)), shape=(3, 3))
matrix.todense()
out:
matrix([[1, 0, 0],
        [0, 2, 0],
        [0, 0, 0]])

优点:

  1. 不同稀疏格式间转换效率高(exp:CSR/CSC)
  2. coo_matrix不支持元素的存取和增删,一旦创建之后,除了将之转换成其它格式的矩阵,几乎无法对其做任何操作和矩阵运算。
  3. 构建矩阵时,允许坐标重复

缺点:

  1. 不能直接运算
  2. 不能直接切片操作

常用方法:

tocsc()  # 转化为压缩稀疏列矩阵
tocsr()  # 转化为压缩稀疏行矩阵
todense()  # 转化为 numpy.matrix 类型
2. csc_matrix: 压缩稀疏列矩阵(Compressed sparse column matrix)

优点:

  1. 高效的矩阵加法与乘法内积运算
  2. 高效的列切片操作

缺点:

  1. 矩阵内积操作没有CSR快
  2. 行切片操作慢(相比CSR)
  3. 转换成稀疏结构成本高(相比LIL)

常用方法:

matrix.dot(matrix) # 矩阵相乘
3. csr_matrix: 压缩稀疏行矩阵(Compressed sparse row matrix)

详细介绍见文章☞scipy.sparse csr_matrix()https://blog.csdn.net/qq_38388811/article/details/124512342?spm=1001.2014.3001.5502

优点:

  1. 高效的矩阵加法与乘法内积运算
  2. 高效的行切片操作
  3. CSR格式在存储稀疏矩阵时非零元素平均使用的字节数(Bytes per Nonzero Entry)最为稳定(float类型约为8.5,double类型约为12.5)CSR格式常用于读入数据后进行稀疏矩阵计算。

缺点:

  1. 列切片操作慢(相比CSC)
  2. 转换成稀疏结构成本高(相比LIL)
4. lil_matrix:基于行连接存储的稀疏矩阵(Row-based linked list sparse matrix)

优点:

  1. 快速按行切片
  2. 高效地添加、删除、查找元素

缺点:

  1. 按列切片很慢(建议CSC)
  2. 算术运算LIL+LIL很慢(考虑CSR或CSC)
5. 总结

  • 加载数据文件时使用coo_matrix快速构建稀疏矩阵,然后调用to_csr()、to_csc()、to_dense()把它转换成CSR或稠密矩阵(numpy.matrix)
  • coo_matrix格式常用于从文件中进行稀疏矩阵的读写,而csr_matrix格式常用于读入数据后进行稀疏矩阵计算.

更多了解:scipy csr_matrix 之 indptrhttps://blog.csdn.net/qq_38388811/article/details/124654100?spm=1001.2014.3001.5502

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/915908.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号