scipy.sparse.

dia_array#

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

带有对角存储的稀疏数组。

这可以通过几种方式实例化：
dia_array(D)

其中 D 是一个 2-D ndarray

dia_array(S)

与另一个稀疏数组或矩阵 S 结合（相当于 S.todia()）

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

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

dia_array((数据, 偏移量), 形状=(M, N))

其中 data[k,:] 存储了对角线 offsets[k] 的对角线元素（见下例）

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

DIA 格式数据数组的数组

偏移量

DIA 格式数组的偏移数组

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。

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

expm1()

逐元素计算 expm1。

floor()

逐元素取整。

log1p()

逐元素计算 log1p。

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。

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。

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。

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。

示例

>>> import numpy as np
>>> from scipy.sparse import dia_array
>>> dia_array((3, 4), dtype=np.int8).toarray()
array([[0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0]], dtype=int8)

>>> data = np.array([[1, 2, 3, 4]]).repeat(3, axis=0)
>>> offsets = np.array([0, -1, 2])
>>> dia_array((data, offsets), shape=(4, 4)).toarray()
array([[1, 0, 3, 0],
       [1, 2, 0, 4],
       [0, 2, 3, 0],
       [0, 0, 3, 4]])

>>> from scipy.sparse import dia_array
>>> n = 10
>>> ex = np.ones(n)
>>> data = np.array([ex, 2 * ex, ex])
>>> offsets = np.array([-1, 0, 1])
>>> dia_array((data, offsets), shape=(n, n)).toarray()
array([[2., 1., 0., ..., 0., 0., 0.],
       [1., 2., 1., ..., 0., 0., 0.],
       [0., 1., 2., ..., 0., 0., 0.],
       ...,
       [0., 0., 0., ..., 2., 1., 0.],
       [0., 0., 0., ..., 1., 2., 1.],
       [0., 0., 0., ..., 0., 1., 2.]])
On this page