scipy.sparse.

随机#

scipy.sparse.random(m, n, density=0.01, format='coo', dtype=None, random_state=None, data_rvs=None)[源代码][源代码]#

生成具有给定形状和密度的稀疏矩阵，其值随机分布。

警告

自 numpy 1.17 起，为 random_state 传递一个 np.random.Generator``（例如 ``np.random.default_rng）将导致更快的执行时间。

为了向后兼容，默认使用了一个慢得多的实现。

警告

此函数返回一个稀疏矩阵 – 而不是稀疏数组。建议使用 random_array 以利用稀疏数组功能。

参数:
m, n整数

矩阵的形状

密度实数, 可选

生成矩阵的密度：密度等于1意味着一个满矩阵，密度为0意味着一个没有非零项的矩阵。

格式str, 可选

稀疏矩阵格式。

dtypedtype, 可选

返回矩阵值的类型。

random_state{None, int,}

  • 如果 seed 是 None（或 np.random），则使用 numpy.random.RandomState 单例。

  • 如果 seed 是一个整数，将使用一个新的 RandomState 实例，并使用 seed 进行种子设定。

  • 如果 seed 已经是 Generator 或 RandomState 实例，则使用该实例。

这个随机状态将用于采样稀疏结构，但不一定用于采样矩阵结构上非零条目的值。

data_rvs可调用，可选

采样请求数量的随机值。此函数应接受一个参数，指定它将返回的 ndarray 的长度。稀疏随机矩阵的结构非零条目将从该函数采样的数组中获取。默认情况下，将使用与采样稀疏结构相同的随机状态来采样均匀 [0, 1) 随机值。

返回:
res稀疏矩阵

参见

random_array

构造稀疏数组而不是稀疏矩阵

示例

传递一个 np.random.Generator 实例以获得更好的性能：

>>> import scipy as sp
>>> import numpy as np
>>> rng = np.random.default_rng()
>>> S = sp.sparse.random(3, 4, density=0.25, random_state=rng)

提供值的采样器：

>>> rvs = sp.stats.poisson(25, loc=10).rvs
>>> S = sp.sparse.random(3, 4, density=0.25, random_state=rng, data_rvs=rvs)
>>> S.toarray()
array([[ 36.,   0.,  33.,   0.],   # random
       [  0.,   0.,   0.,   0.],
       [  0.,   0.,  36.,   0.]])

构建自定义分布。此示例从 np.random 构建一个平方正态分布：

>>> def np_normal_squared(size=None, random_state=rng):
...     return random_state.standard_normal(size) ** 2
>>> S = sp.sparse.random(3, 4, density=0.25, random_state=rng,
...                      data_rvs=np_normal_squared)

或者我们可以从 sp.stats 风格的 rvs 函数构建它：

>>> def sp_stats_normal_squared(size=None, random_state=rng):
...     std_normal = sp.stats.distributions.norm_gen().rvs
...     return std_normal(size=size, random_state=random_state) ** 2
>>> S = sp.sparse.random(3, 4, density=0.25, random_state=rng,
...                      data_rvs=sp_stats_normal_squared)

或者我们可以子类化 sp.stats rv_continous 或 rv_discrete：

>>> class NormalSquared(sp.stats.rv_continuous):
...     def _rvs(self,  size=None, random_state=rng):
...         return random_state.standard_normal(size) ** 2
>>> X = NormalSquared()
>>> Y = X()  # get a frozen version of the distribution
>>> S = sp.sparse.random(3, 4, density=0.25, random_state=rng, data_rvs=Y.rvs)
On this page