Scipy稀疏矩陣bsr_array如何使用

本篇內容主要講解“Scipy稀疏矩陣bsr_array如何使用”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“Scipy稀疏矩陣bsr_array如何使用”吧!

基本原理

bsr，即Block Sparse Row，bsr_array即塊稀疏行矩陣，顧名思義就是將稀疏矩陣分割成一個個非0的子塊，然后對這些子塊進行存儲。通過輸入維度，可以創建一個空的bsr數組，但bsr格式并不可見，需要通過toarray轉為數組，才能一窺全貌。

from scipy.sparse import bsr_array
import numpy as np
import sys
bsr = bsr_array((100, 200), dtype=np.int8)
sys.getsizeof(bsr)      # 48
bsr_arr = bsr.toarray() # 轉為數組
sys.getsizeof(bsr_arr)  # 20120

egtsizeof可查看數據占用的內存，其中bsr占用48byte，轉為數組之后占據20k，這就是稀疏矩陣存在的價值。

當然，全零的數組就直接叫全零數組得了，直接存個行列數比bsr還省事兒，接下來構造一個矩陣

from numpy.random import randint, rand
tmp = np.zeros([200,200])
for i in range(30):
    x, y = randint(195, size=(2))
    tmp[x:x+5, y:y+5]=rand(5,5)

print(tmp.size)            # 40000
bsr = bsr_array(tmp, blocksize=(5,5))    
print(bsr.data.size)       # 2850
print(bsr.indptr.size)     # 41
print(bsr.indices.size)    # 114
print(tmp.size)

bsr.data是bsr中存放的矩陣塊；bsr.indices為這些矩陣塊對應的列號數組；bsr.indptr為索引的行分割數組；這些零零碎碎加在一起也只有3005個數，和40k的tmp相比，可以說壓縮效率非常高了。

通過data, indptr和indices，可以將bsr復原為矩陣。首先，列號和數據是一一對應的；其次indptr對索引和數據按行分割。在本例中，indptr的值為0, 2, 6, 8…，則data[0:2]存放在第0行，對應的列號為indices[0:2]；data[2:6]存放在第1行，對應的列號為indices[2:6]，以此類推。

初始化

bsr_array共有5種初始化方案：

• bsr_array(D) D是一個稀疏數組或2 × D 2\times D2×D數組

• bsr_array(S) S是另一種稀疏數組

• bsr_array((M, N),dtype) 創建一個shape為( M , N ) (M, N)(M,N)的空數組，dtype為數據類型

• bsr_array((data, ij)) ij是坐標數組，可分解為i,j=ij，data是數據數組，設新矩陣為a，則a[i[k], j[k]] = data[k]

• bsr_array((data, indices, indptr))

前四種方法均有參數blocksize，為塊尺寸；后兩種方法均有參數shape，為稀疏矩陣的維度。

從原理上來說，通過data, indices, indptr來創建的bsr數組，屬于"原生"的bsr數組，其創建規則就是前文提到的復原規則。

內置方法

稀疏數組在計算上并不便捷，所以bsr_array中內置了下列函數，可以高效地完成計算。

到此，相信大家對“Scipy稀疏矩陣bsr_array如何使用”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！