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.
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
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
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
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
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
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) 2Weitere Erweiterungen