python - 是否有类似 coo_matrix 但用于稀疏向量的东西？

Question

我正在尝试从有一些重叠索引的一系列数组中创建一个稀疏向量。对于矩阵，scipy中有一个非常方便的对象可以做到这一点：

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

因此，如果数据碰巧有重复的元素（因为它们的 i,j 索引相同），则将这些元素相加到最终的稀疏矩阵中。我想知道是否可以对稀疏向量做类似的事情，还是我只需要使用这个对象并假装它是一个 1 列矩阵？

Answer 1

虽然您可能能够重现 1d 等价物，但仅使用 1 行（或 1 列）稀疏矩阵将节省大量工作。我不知道numpy.

该coo格式完全按照您给定的方式存储输入数组，无需求和。求和在显示或（否则）转换为 a cscorcsr格式时完成。并且由于csr构造函数已编译，因此它比您在 Python 中编写的任何代码都更快。

构造一个 '1d' 稀疏 coo 矩阵

In [67]: data=[10,11,12,14,15,16]    
In [68]: col=[1,2,1,5,7,5]
In [70]: M=sparse.coo_matrix((data (np.zeros(len(col)),col)),shape=(1,10))

看它的数据表示（没有求和）

In [71]: M.data
Out[71]: array([10, 11, 12, 14, 15, 16])
In [72]: M.row
Out[72]: array([0, 0, 0, 0, 0, 0])
In [73]: M.col
Out[73]: array([1, 2, 1, 5, 7, 5])

查看数组表示（形状(1,10)）

In [74]: M.A
Out[74]: array([[ 0, 22, 11,  0,  0, 30,  0, 15,  0,  0]])

和 csr 等价物。

In [75]: M1=M.tocsr()
In [76]: M1.data
Out[76]: array([22, 11, 30, 15])
In [77]: M1.indices
Out[77]: array([1, 2, 5, 7])
In [78]: M1.indptr
Out[78]: array([0, 4])

In [79]: np.nonzero(M.A)
Out[79]: (array([0, 0, 0, 0]), array([1, 2, 5, 7]))

nonzero显示相同的模式：

In [80]: M.nonzero()
Out[80]: (array([0, 0, 0, 0, 0, 0]), array([1, 2, 1, 5, 7, 5]))

In [81]: M.tocsr().nonzero()
Out[81]: (array([0, 0, 0, 0]), array([1, 2, 5, 7]))

In [82]: np.nonzero(M.A)
Out[82]: (array([0, 0, 0, 0]), array([1, 2, 5, 7]))

M.toarray().flatten()会给你一(10,)维数组。