scipy.sparse.

coo_matrix

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

COOrdinate 格式的稀疏矩阵。

也称为 ‘ijv’ 或 ‘三元组’ 格式。

这可以通过几种方式实例化：

coo_matrix(D)

其中 D 是一个 2-D ndarray

coo_matrix(S)

与另一个稀疏数组或矩阵 S 一起使用（相当于 S.tocoo()）

coo_matrix((M, N), [dtype])

构造一个形状为 (M, N) 的空矩阵，dtype 是可选的，默认为 dtype=’d’。

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

从三个数组构建：

1. data[:] 矩阵的条目，顺序不限

2. i[:] 矩阵条目的行索引

3. j[:] 矩阵条目的列索引

其中 A[i[k], j[k]] = data[k]。 当未指定形状时，它从索引数组中推断出来。

属性:

dtypedtype

矩阵的数据类型

shape2元组

矩阵的形状

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

COO 格式矩阵的数据数组

行

COO 格式矩阵的行索引数组

col

矩阵的 COO 格式列索引数组

has_canonical_format布尔

矩阵是否具有排序的索引且没有重复项

format

矩阵的格式字符串。

T

转置。

方法

__len__()
__mul__(other)
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。
asfptype()	将矩阵向上转换为浮点格式（如果需要）
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。
getH()	返回此矩阵的厄米转置。
get_shape()	获取矩阵的形状
getcol(j)	返回矩阵的第 j 列的副本，作为一个 (m x 1) 的稀疏矩阵（列向量）。
getformat()	矩阵存储格式
getmaxprint()	打印时显示的最大元素数量。
getnnz([axis])	存储值的数量，包括显式零。
getrow(i)	返回矩阵第 i 行的副本，作为一个 (1 x n) 的稀疏矩阵（行向量）。
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。
set_shape(shape)	就地设置矩阵的形状
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。

注释

稀疏矩阵可以用于算术运算：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矩阵的快速格式

• 一旦构建了COO矩阵，将其转换为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

Try it in your browser!

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

>>> # Constructing a matrix 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_matrix((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 matrix 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_matrix((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]])

Go BackOpen In Tab