scipy.sparse.

csr_matrix

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

压缩稀疏行矩阵。

这可以通过几种方式实例化：

csr_matrix(D)

其中 D 是一个 2-D ndarray

csr_matrix(S)

与另一个稀疏数组或矩阵 S 结合（相当于 S.tocsr()）

csr_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’。

csr_matrix((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]。

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

是标准的CSR表示，其中行i的列索引存储在``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，则从索引数组推断矩阵维度。

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

CSR 格式矩阵的数据数组

索引

CSR 格式的矩阵索引数组

indptr

CSR 格式矩阵的索引指针数组

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

__getitem__(key)
__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。
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。
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)	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。
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。
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。

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。

CSR 格式的优势

• 高效的算术运算 CSR + CSR, CSR * CSR 等。

• 高效的行切片

• 快速矩阵向量乘积

CSR 格式的缺点

• 慢速列切片操作（考虑使用CSC）

• 稀疏结构的变化是昂贵的（考虑使用LIL或DOK）

标准格式

• 在每一行中，索引按列排序。

• 没有重复的条目。

示例

Try it in your browser!

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

重复条目会被加总在一起：

>>> row = np.array([0, 1, 2, 0])
>>> col = np.array([0, 1, 1, 0])
>>> data = np.array([1, 2, 4, 8])
>>> csr_matrix((data, (row, col)), shape=(3, 3)).toarray()
array([[9, 0, 0],
       [0, 2, 0],
       [0, 4, 0]])

作为一个如何增量构建CSR矩阵的示例，以下代码片段从文本构建了一个词项-文档矩阵：

>>> docs = [["hello", "world", "hello"], ["goodbye", "cruel", "world"]]
>>> indptr = [0]
>>> indices = []
>>> data = []
>>> vocabulary = {}
>>> for d in docs:
...     for term in d:
...         index = vocabulary.setdefault(term, len(vocabulary))
...         indices.append(index)
...         data.append(1)
...     indptr.append(len(indices))
...
>>> csr_matrix((data, indices, indptr), dtype=int).toarray()
array([[2, 1, 0, 0],
       [0, 1, 1, 1]])

Go BackOpen In Tab