码农教程 - 一技在手,衣食无忧! tools

目录

SciPy 稀疏数据

❮ 上一节 下一节 ❯

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。

通过练习测试一下

练习:

插入缺少的方法来打印数组中非零值的数量：

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).())

开始练习

❮ 上一节 下一节 ❯