scipy.sparse.

coo_array#

class scipy.sparse.coo_array(arg1, shape=None, dtype=None, copy=False)[源代码][源代码]#

COOrdinate 格式的稀疏数组。

也称为 ‘ijv’ 或 ‘三元组’ 格式。

这可以通过几种方式实例化：
coo_array(D)

其中 D 是一个 ndarray

coo_array(S)

与另一个稀疏数组或矩阵 S 一起使用（相当于 S.tocoo()）

coo_array(形状, [数据类型])

要构造一个形状为 shape 的空稀疏数组，dtype 是可选的，默认为 dtype=’d’。

coo_array((数据, 坐标), [形状])
从现有数据和索引数组构建：

  1. data[:] 稀疏数组的条目，顺序不限

  2. coords[i][:] 数据条目的第i轴坐标

其中 A[coords] = data，而 coords 是一个索引数组的元组。当未指定形状时，它从索引数组推断。

属性:
dtypedtype

稀疏数组的`数据类型`

形状整数的元组

稀疏数组的形状

ndim整数

稀疏数组的维度数量

nnz

存储值的数量，包括显式零。

size

存储值的数量。

数据

COO 格式稀疏数组的数组

坐标

COO 格式的索引数组元组

has_canonical_format布尔

矩阵是否具有排序的坐标且无重复项

format

矩阵的格式字符串。

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。

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()

从数组/矩阵中移除零项

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)

逐点乘以另一个数组/矩阵。

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。

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。

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。

__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。

COO 格式的优势

  • 促进稀疏格式之间的快速转换

  • 允许重复条目（见示例）

  • 非常快速的 CSR/CSC 格式转换

COO 格式的缺点
  • 不直接支持：

    • 算术运算

    • 切片

预期用途

  • COO 是一种用于构建稀疏数组的快速格式

  • 一旦构建了COO数组，请转换为CSR或CSC格式以进行快速算术和矩阵向量运算。

  • 默认情况下，在转换为CSR或CSC格式时，重复的(i,j)条目将被累加在一起。这有助于高效构建有限元矩阵等。（见示例）

标准格式

  • 按行排序的条目和坐标，然后按列排序。

  • 没有重复的条目（即重复的 (i,j) 位置）

  • 数据数组可以有显式零值。

示例

>>> # Constructing an empty sparse array
>>> import numpy as np
>>> from scipy.sparse import coo_array
>>> coo_array((3, 4), dtype=np.int8).toarray()
array([[0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0]], dtype=int8)

>>> # Constructing a sparse array using ijv format
>>> row  = np.array([0, 3, 1, 0])
>>> col  = np.array([0, 3, 1, 2])
>>> data = np.array([4, 5, 7, 9])
>>> coo_array((data, (row, col)), shape=(4, 4)).toarray()
array([[4, 0, 9, 0],
       [0, 7, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 5]])

>>> # Constructing a sparse array with duplicate coordinates
>>> row  = np.array([0, 0, 1, 3, 1, 0, 0])
>>> col  = np.array([0, 2, 1, 3, 1, 0, 0])
>>> data = np.array([1, 1, 1, 1, 1, 1, 1])
>>> coo = coo_array((data, (row, col)), shape=(4, 4))
>>> # Duplicate coordinates are maintained until implicitly or explicitly summed
>>> np.max(coo.data)
1
>>> coo.toarray()
array([[3, 0, 1, 0],
       [0, 2, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 1]])
On this page