SciPy 稀疏数据
什么是稀疏数据
稀疏数据是指大部分未使用元素（不携带任何信息的元素）的数据。
它可以是一个像这样的数组：
[1, 0, 2, 0, 0, 3, 0, 0, 0, 0, 0, 0]
稀疏数据：是大多数项目值为零的数据集。
密集阵列：与稀疏数组相反：大多数值是不是零。
在科学计算中，当我们处理线性代数中的偏导数时，我们会遇到稀疏数据。
如何处理稀疏数据
SciPy 有一个模块，scipy.sparse提供处理稀疏数据的函数。
我们主要使用两种类型的稀疏矩阵：
CSC- 压缩稀疏列。为了高效算术，快速列切片。
企业社会责任- 压缩稀疏行。用于快速行切片、更快的矩阵向量乘积
我们将使用企业社会责任本教程中的矩阵。
企业社会责任矩阵
我们可以通过将数组传递给函数来创建 CSR 矩阵scipy.sparse.csr_matrix()。
示例
从数组创建 CSR 矩阵：
import numpy as np
from scipy.sparse import csr_matrix
arr = np.array([0, 0, 0, 0, 0, 1, 1, 0, 2])
print(csr_matrix(arr))
亲自试一试 »
上面的例子返回：
(0, 5) 1 (0, 6) 1 (0, 8) 2
从结果中我们可以看到有 3 个项目有值。
1. 项目在行中0位置5并且具有值 1。
2. 项目在行中0位置6并且具有值 1。
3. 项目在行中0位置8并且具有值 2。
稀疏矩阵方法
使用以下命令查看存储的数据（不是零项）data属性：
示例
import numpy as np
from scipy.sparse import csr_matrix
arr = np.array([[0, 0, 0], [0, 0, 1], [1, 0, 2]])
print(csr_matrix(arr).data)
亲自试一试 »
计算非零数count_nonzero()方法：
示例
import numpy as np
from scipy.sparse import csr_matrix
arr = np.array([[0, 0, 0], [0, 0, 1], [1, 0, 2]])
print(csr_matrix(arr).count_nonzero())
亲自试一试 »
使用以下命令从矩阵中删除零条目eliminate_zeros()方法：
示例
import numpy as np
from scipy.sparse import csr_matrix
arr = np.array([[0, 0, 0], [0, 0, 1], [1, 0, 2]])
mat = csr_matrix(arr)
mat.eliminate_zeros()
print(mat)
亲自试一试 »
消除重复条目sum_duplicates()方法：
示例
通过添加来消除重复项：
import numpy as np
from scipy.sparse import csr_matrix
arr = np.array([[0, 0, 0], [0, 0, 1], [1, 0, 2]])
mat = csr_matrix(arr)
mat.sum_duplicates()
print(mat)
亲自试一试 »
使用以下命令从 csr 转换为 csctocsc()方法：
示例
import numpy as np
from scipy.sparse import csr_matrix
arr = np.array([[0, 0, 0], [0, 0, 1], [1, 0, 2]])
newarr = csr_matrix(arr).tocsc()
print(newarr)
亲自试一试 »
笔记：除了提到的稀疏特定运算之外，稀疏矩阵还支持普通矩阵支持的所有运算，例如整形、求和、算术、广播等。