我有点困惑第一个元组代表什么。它是稀疏数组的索引和值吗?例如:
In [4]: arrays=(np.array([0, 1, 2], dtype=int), np.array([2, 0, 0], dtype=int), np.array([2, 1, 3], dtype=float))
...
In [6]: from scipy import sparse
In [7]: M=sparse.csr_matrix((arrays[2],(arrays[0],arrays[1])))
In [8]: M
Out[8]:
<3x3 sparse matrix of type '<class 'numpy.float64'>'
with 3 stored elements in Compressed Sparse Row format>
In [9]: M.A
Out[9]:
array([[ 0., 0., 2.],
[ 1., 0., 0.],
[ 3., 0., 0.]])
In [10]: print(M)
(0, 2) 2.0
(1, 0) 1.0
(2, 0) 3.0
矩阵乘法是针对这样的数组定义的:
In [12]: M*M.T
Out[12]:
<3x3 sparse matrix of type '<class 'numpy.float64'>'
with 5 stored elements in Compressed Sparse Row format>
In [13]: (M*M.T).A
Out[13]:
array([[ 4., 0., 0.],
[ 0., 1., 3.],
[ 0., 3., 9.]])
In [14]: M.A.dot(M.A.T) # dense equivalent
Out[14]:
array([[ 4., 0., 0.],
[ 0., 1., 3.],
[ 0., 3., 9.]])
我可以使用这个数组实现逐行相乘:
In [21]: A=M.A
In [22]: for r in range(3):
print(np.dot(A[r,:],A[r,:]))
4.0
1.0
9.0
In [23]: for r in range(3):
I=np.nonzero(A[r,:])
dot = np.dot(A[r,I[0]],A[r,I[0]])
print(dot)
4.0
1.0
9.0
就算不值得,nonzero
返回我从您的帖子开头复制的数组:
In [24]: np.nonzero(A)
Out[24]: (array([0, 1, 2], dtype=int32), array([2, 0, 0], dtype=int32))
In [25]: A[np.nonzero(A)]
Out[25]: array([ 2., 1., 3.])
稀疏矩阵还具有
nonzero
方法:
In [26]: M.nonzero()
Out[26]: (array([0, 1, 2], dtype=int32), array([2, 0, 0], dtype=int32))
我感觉自己正在挣扎中,试图理解问题和示例。
scipy
和sparse-matrix
标签。这是否意味着你打算使用scipy.sparse
矩阵?它们可以在编译代码中执行矩阵乘法。 - hpauljnp.nonzero
会给你非零元素的索引。但即使你知道这些元素的索引,在A
和B
中对它们进行索引比乘以零元素更耗费效率。 - hpaulj