SciPy Sparse-Matrix

Eine dünnbesetzte Matrix bezeichnet in der numerischen Analysis eine Matrix, in der die überwiegende Mehrheit der Werte null ist. Umgekehrt gilt: Wenn die meisten Elemente ungleich null sind, ist die Matrix dicht.

Große dünnbesetzte Matrizen treten häufig beim Lösen linearer Modelle in Wissenschaft und Technik auf.

In der obigen Abbildung ist die linke Seite eine dünnbesetzte Matrix, die, wie man sehen kann, viele 0-Elemente enthält, und die rechte Seite ist eine dichte Matrix, bei der die meisten Elemente ungleich null sind.

Betrachten Sie ein einfaches Beispiel:

Die obige dünnbesetzte Matrix enthält nur 9 Nicht-Null-Elemente und enthält außerdem 26 Null-Elemente. Ihre Sparsität ist 74%, und ihre Dichte ist 26%.

Das Modulscipy.sparsevon SciPy bietet Funktionen für den Umgang mit dünnbesetzten Matrizen.

Wir verwenden hauptsächlich die folgenden zwei Arten von dünnbesetzten Matrizen:

  • CSC - Compressed Sparse Column, spaltenweise komprimiert.
  • CSR - Compressed Sparse Row, zeilenweise komprimiert.

In diesem Kapitel verwenden wir hauptsächlich die CSR-Matrix.

CSR-Matrix

Wir können der Funktionscipy.sparse.csr_matrix()ein Array übergeben, um eine CSR-Matrix zu erstellen.

Beispiel

Erstellen Sie eine CSR-Matrix.

import numpy as np
from scipy.sparse import csr_matrix

arr = np.array([0, 0, 0, 0, 0, 1, 1, 0, 2])

print(csr_matrix(arr))

Der obige Code gibt das folgende Ergebnis aus:

  (0, 5)        1
  (0, 6)        1
  (0, 8)        2

Ergebnisanalyse:

  • Erste Zeile: An der sechsten Position (Indexwert 5) in der ersten Zeile (Indexwert 0) der Matrix befindet sich ein Wert 1.
  • Zweite Zeile: An der siebten Position (Indexwert 6) in der ersten Zeile (Indexwert 0) der Matrix befindet sich ein Wert 1.
  • Dritte Zeile: An der neunten Position (Indexwert 8) in der ersten Zeile (Indexwert 0) der Matrix befindet sich ein Wert 2.

CSR-Matrix-Methoden

Wir können diedata-Eigenschaft verwenden, um die gespeicherten Daten anzuzeigen (ohne 0-Elemente):

Beispiel

import numpy as np
from scipy.sparse import csr_matrix

arr = np.array([[0, 0, 0], [0, 0, 1], [1, 0, 2]])

print(csr_matrix(arr).data)

Der obige Code gibt das folgende Ergebnis aus:

[1 1 2]

Verwenden Sie diecount_nonzero()-Methode, um die Gesamtzahl der Nicht-Null-Elemente zu berechnen:

Beispiel

import numpy as np
from scipy.sparse import csr_matrix

arr = np.array([[0, 0, 0], [0, 0, 1], [1, 0, 2]])

print(csr_matrix(arr).count_nonzero())

Der obige Code gibt das folgende Ergebnis aus:

3

Verwenden Sie dieeliminate_zeros()-Methode, um 0-Elemente aus der Matrix zu entfernen:

Beispiel

import numpy as np
from scipy.sparse import csr_matrix

arr = np.array([[0, 0, 0], [0, 0, 1], [1, 0, 2]])

mat = csr_matrix(arr)
mat.eliminate_zeros()

print(mat)

Der obige Code gibt das folgende Ergebnis aus:

  (1, 2)    1
  (2, 0)    1
  (2, 2)    2

Verwenden Sie die Methode sum_duplicates(), um Duplikate zu entfernen:

Beispiel

import numpy as np
from scipy.sparse import csr_matrix

arr = np.array([[0, 0, 0], [0, 0, 1], [1, 0, 2]])

mat = csr_matrix(arr)
mat.sum_duplicates()

print(mat)

Der obige Code gibt das folgende Ergebnis aus:

  (1, 2)    1
  (2, 0)    1
  (2, 2)    2

Konvertieren Sie CSR in CSC mit der Methode tocsc():

Beispiel

import numpy as np
from scipy.sparse import csr_matrix

arr = np.array([[0, 0, 0], [0, 0, 1], [1, 0, 2]])

newarr = csr_matrix(arr).tocsc()

print(newarr)
  (2, 0)    1
  (1, 2)    1
  (2, 2)    2
Weitere Erweiterungen