scipy.sparse.csgraph.

csgraph_to_dense#

scipy.sparse.csgraph.csgraph_to_dense(csgraph, null_value=0)#

将稀疏图表示转换为密集表示

Added in version 0.11.0.

参数:
csgraphcsr_matrix, csc_matrix, 或 lil_matrix

图的稀疏表示。

null_valuefloat, 可选

在密集表示中用于表示空边的值。默认值为 0。

返回:
图ndarray

稀疏图的密集表示。

注释

对于普通的稀疏图表示，调用 csgraph_to_dense 并将 null_value=0 作为参数传递，会产生与在主稀疏包中使用密集格式转换相同的结果。然而，当稀疏表示中存在重复值时，结果将有所不同。scipy.sparse 中的工具会将重复值相加以获得最终值。此函数将选择重复值中的最小值以获得最终值。例如，这里我们将创建一个包含多个从节点 0 到节点 1 的边的两节点有向稀疏图，权重分别为 2 和 3。这说明了行为上的差异：

>>> from scipy.sparse import csr_matrix, csgraph
>>> import numpy as np
>>> data = np.array([2, 3])
>>> indices = np.array([1, 1])
>>> indptr = np.array([0, 2, 2])
>>> M = csr_matrix((data, indices, indptr), shape=(2, 2))
>>> M.toarray()
array([[0, 5],
       [0, 0]])
>>> csgraph.csgraph_to_dense(M)
array([[0., 2.],
       [0., 0.]])

这种差异的原因是为了允许一个压缩的稀疏图表示任意两个节点之间的多条边。由于大多数稀疏图算法关注的是任意两个节点之间的单条最低成本边，因此默认的 scipy.sparse 行为（即对多个权重求和）在此上下文中没有意义。

使用此例程的另一个原因是允许图中有零权重的边。让我们看一个两节点有向图的例子，由一条权重为零的边连接：

>>> from scipy.sparse import csr_matrix, csgraph
>>> data = np.array([0.0])
>>> indices = np.array([1])
>>> indptr = np.array([0, 1, 1])
>>> M = csr_matrix((data, indices, indptr), shape=(2, 2))
>>> M.toarray()
array([[0, 0],
       [0, 0]])
>>> csgraph.csgraph_to_dense(M, np.inf)
array([[inf,  0.],
       [inf, inf]])

在第一种情况下，零权重的边在密集表示中丢失。在第二种情况下，我们可以选择一个不同的空值，并看到图的真实形式。

示例

>>> from scipy.sparse import csr_matrix
>>> from scipy.sparse.csgraph import csgraph_to_dense

>>> graph = csr_matrix( [
... [0, 1, 2, 0],
... [0, 0, 0, 1],
... [0, 0, 0, 3],
... [0, 0, 0, 0]
... ])
>>> graph
<Compressed Sparse Row sparse matrix of dtype 'int64'
    with 4 stored elements and shape (4, 4)>

>>> csgraph_to_dense(graph)
array([[0., 1., 2., 0.],
       [0., 0., 0., 1.],
       [0., 0., 0., 3.],
       [0., 0., 0., 0.]])
On this page