scipy.sparse.

bsr_array

class scipy.sparse.bsr_array(arg1, shape=None, dtype=None, copy=False, blocksize=None)

块稀疏行格式稀疏数组。

这可以通过几种方式实例化：

bsr_array(D, [blocksize=(R,C)])

其中 D 是一个 2-D ndarray。

bsr_array(S, [blocksize=(R,C)])

与另一个稀疏数组或矩阵 S 结合（相当于 S.tobsr()）

bsr_array((M, N), [blocksize=(R,C), dtype])

构建一个形状为 (M, N) 的空稀疏数组，dtype 是可选的，默认为 dtype=’d’。

bsr_array((数据, ij), [blocksize=(R,C), shape=(M, N)])

其中 data 和 ij 满足 a[ij[0, k], ij[1, k]] = data[k]

bsr_array((data, indices, indptr), [shape=(M, N)])

是标准的 BSR 表示法，其中行 i 的块列索引存储在 indices[indptr[i]:indptr[i+1]] 中，它们对应的块值存储在 data[ indptr[i]: indptr[i+1] ] 中。如果未提供形状参数，则从索引数组推断数组维度。

属性:

dtypedtype

数组的类型

形状2元组

数组的形状

ndim整数

维度数量（这总是2）

nnz

存储值的数量，包括显式零。

size

存储值的数量。

数据

BSR 格式数据数组的数组

索引

BSR 格式数组的索引数组

indptr

BSR 格式索引指针数组的数组

blocksize

矩阵的块大小。

has_sorted_indices布尔

索引是否排序

has_canonical_format布尔

数组/矩阵是否具有排序的索引且没有重复项

T

转置。

方法

__len__()
arcsin()	逐元素反正弦。
arcsinh()	逐元素的反双曲正弦函数。
arctan()	逐元素计算反正切。
arctanh()	逐元素计算反双曲正切。
argmax([axis, out])	返回沿某个轴的最大元素的索引。
argmin([axis, out])	返回沿某个轴的最小元素的索引。
asformat(format[, copy])	以传递的格式返回此数组/矩阵。
astype(dtype[, casting, copy])	将数组/矩阵元素转换为指定类型。
ceil()	逐元素向上取整。
check_format([full_check])	检查数组/矩阵是否符合BSR格式。
conj([copy])	逐元素复共轭。
conjugate([copy])	逐元素复共轭。
copy()	返回此数组/矩阵的副本。
count_nonzero()	非零条目的数量，相当于
deg2rad()	逐元素的度到弧度转换。
diagonal([k])	返回数组/矩阵的第 k 个对角线。
dot(other)	普通点积
eliminate_zeros()	原地移除零元素。
expm1()	逐元素计算 expm1。
floor()	逐元素取整。
log1p()	逐元素计算 log1p。
max([axis, out])	返回数组/矩阵的最大值或沿某个轴的最大值。
maximum(other)	此数组/矩阵与另一个数组/矩阵之间的逐元素最大值。
mean([axis, dtype, out])	计算指定轴上的算术平均值。
min([axis, out])	返回数组/矩阵的最小值或沿轴的最大值。
minimum(other)	此数组/矩阵与另一个数组/矩阵之间的逐元素最小值。
multiply(other)	通过数组/矩阵、向量或标量进行逐点乘法。
nanmax([axis, out])	返回数组/矩阵的最大值或沿轴的最大值，忽略任何 NaN。
nanmin([axis, out])	返回数组/矩阵的最小值或沿轴的最小值，忽略任何 NaN。
nonzero()	数组/矩阵的非零索引。
power(n[, dtype])	此函数执行逐元素幂运算。
prune()	移除所有非零元素后的空格。
rad2deg()	逐元素的 rad2deg 转换。
reshape(self, shape[, order, copy])	在不改变其数据的情况下，给稀疏数组/矩阵赋予一个新的形状。
resize(*shape)	将数组/矩阵就地调整为 shape 给定的尺寸
rint()	逐元素取整。
setdiag(values[, k])	设置数组/矩阵的对角线或非对角线元素。
sign()	逐元素符号。
sin()	逐元素正弦。
sinh()	逐元素的双曲正弦函数。
sort_indices()	对这个数组/矩阵的索引进行*原地*排序
sorted_indices()	返回此数组/矩阵的排序索引副本
sqrt()	逐元素平方根。
sum([axis, dtype, out])	对数组/矩阵元素沿指定轴求和。
sum_duplicates()	通过将它们相加来消除数组/矩阵中的重复条目
tan()	逐元素的 tan 函数。
tanh()	逐元素 tanh。
toarray([order, out])	返回此稀疏数组/矩阵的密集 ndarray 表示形式。
tobsr([blocksize, copy])	将此数组/矩阵转换为块稀疏行格式。
tocoo([copy])	将此数组/矩阵转换为 COOrdinate 格式。
tocsc([copy])	将此数组/矩阵转换为压缩稀疏列格式。
tocsr([copy])	将此数组/矩阵转换为压缩稀疏行格式。
todense([order, out])	返回此稀疏数组/矩阵的密集表示。
todia([copy])	将此数组/矩阵转换为稀疏对角格式。
todok([copy])	将此数组/矩阵转换为字典键格式。
tolil([copy])	将此数组/矩阵转换为列表的列表格式。
trace([offset])	返回稀疏数组/矩阵对角线上的和。
transpose([axes, copy])	反转稀疏数组/矩阵的维度。
trunc()	逐元素截断。

__getitem__
__mul__

注释

稀疏数组可以用于算术运算：它们支持加法、减法、乘法、除法和矩阵幂运算。

BSR 格式总结

块稀疏行 (BSR) 格式与压缩稀疏行 (CSR) 格式非常相似。BSR 适用于具有密集子矩阵的稀疏矩阵，如下面的最后一个示例所示。这种稀疏块矩阵通常出现在向量值有限元离散化中。在这种情况下，对于许多稀疏算术运算，BSR 比 CSR 和 CSC 效率更高。

块大小

块大小 (R,C) 必须均匀地划分稀疏数组的形状 (M,N)。也就是说，R 和 C 必须满足关系 M % R = 0 和 N % C = 0。

如果没有指定块大小，则会应用一个简单的启发式方法来确定适当的块大小。

标准格式

在规范格式中，没有重复的块，并且索引按行排序。

示例

Try it in your browser!

>>> import numpy as np
>>> from scipy.sparse import bsr_array
>>> bsr_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])
>>> bsr_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]).repeat(4).reshape(6, 2, 2)
>>> bsr_array((data,indices,indptr), shape=(6, 6)).toarray()
array([[1, 1, 0, 0, 2, 2],
       [1, 1, 0, 0, 2, 2],
       [0, 0, 0, 0, 3, 3],
       [0, 0, 0, 0, 3, 3],
       [4, 4, 5, 5, 6, 6],
       [4, 4, 5, 5, 6, 6]])

Go BackOpen In Tab