scipy.sparse.

csc_array#

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

压缩稀疏列数组。

这可以通过几种方式实例化：

csc_array(D): 其中 D 是一个 2-D ndarray
csc_array(S): 与另一个稀疏数组或矩阵 S 结合（等同于 S.tocsc()）
csc_array((M, N), [dtype]): 构建一个形状为 (M, N) 的空数组，dtype 是可选的，默认为 dtype=’d’。
csc_array((data, (row_ind, col_ind)), [shape=(M, N)]): 其中 data、row_ind 和 col_ind 满足关系 a[row_ind[k], col_ind[k]] = data[k]。
csc_array((数据, 索引, 索引指针), [形状=(M, N)]): 是标准的CSC表示法，其中列i的行索引存储在``indices[indptr[i]:indptr[i+1]]``中，它们对应的值存储在``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: CSC 格式数据数组
索引: CSC 格式数组的索引数组
indptr: CSC 格式数组的索引指针数组
has_sorted_indices: 索引是否排序
has_canonical_format: 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CSR或CSC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`()	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)	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。

CSC 格式的优势

高效的算术运算 CSC + CSC, CSC * CSC 等。
高效列切片
快速矩阵向量乘积（CSR、BSR 可能更快）

CSC 格式的缺点

慢速行切片操作（考虑使用CSR）
稀疏结构的变化是昂贵的（考虑使用LIL或DOK）

标准格式

在每一列中，索引按行排序。
没有重复的条目。

示例

>>> import numpy as np
>>> from scipy.sparse import csc_array
>>> csc_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, 2, 2, 0, 1, 2])
>>> col = np.array([0, 0, 1, 2, 2, 2])
>>> data = np.array([1, 2, 3, 4, 5, 6])
>>> csc_array((data, (row, col)), shape=(3, 3)).toarray()
array([[1, 0, 4],
       [0, 0, 5],
       [2, 3, 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])
>>> csc_array((data, indices, indptr), shape=(3, 3)).toarray()
array([[1, 0, 4],
       [0, 0, 5],
       [2, 3, 6]])