W przypadku macierzy rzadkich SciPy można użyć todense()
lub, toarray()
aby przekształcić w macierz lub tablicę NumPy. Jakie są funkcje odwrotne?
Szukałem, ale nie mam pojęcia, jakie słowa kluczowe powinny być trafne.
python
numpy
scipy
sparse-matrix
Płatek
źródło
źródło
sparse.csr_matrix
W scipy jest kilka rzadkich klas macierzy.
Każdy z nich może dokonać konwersji.
import numpy as np from scipy import sparse a=np.array([[1,0,1],[0,0,1]]) b=sparse.csr_matrix(a) print(b) (0, 0) 1 (0, 2) 1 (1, 2) 1
Zobacz http://docs.scipy.org/doc/scipy/reference/sparse.html#usage-information .
źródło
Jeśli chodzi o odwrotność, funkcja jest
inv(A)
, ale nie polecam jej używania, ponieważ dla dużych macierzy jest bardzo kosztowna obliczeniowo i niestabilna. Zamiast tego powinieneś użyć przybliżenia do odwrotności, lub jeśli chcesz rozwiązać Ax = b, tak naprawdę nie potrzebujesz A -1 .źródło
W Pythonie biblioteka Scipy może być używana do konwersji macierzy 2-D NumPy na macierz Sparse. Pakiet macierzy rzadkich SciPy 2-D dla danych numerycznych to scipy.sparse
Pakiet scipy.sparse zapewnia różne klasy do tworzenia następujących typów rzadkich macierzy z dwuwymiarowej macierzy:
Formaty CSR (Compressed Sparse Row) lub CSC (Compressed Sparse Column) obsługują efektywny dostęp i operacje macierzowe.
Przykładowy kod do konwersji macierzy Numpy na macierz skompresowanych rzadkich kolumn (CSC) i macierz skompresowanych rzadkich wierszy (CSR) przy użyciu klas Scipy:
import sys # Return the size of an object in bytes import numpy as np # To create 2 dimentional matrix from scipy.sparse import csr_matrix, csc_matrix # csr_matrix: used to create compressed sparse row matrix from Matrix # csc_matrix: used to create compressed sparse column matrix from Matrix
utwórz macierz Numpy 2-D
A = np.array([[1, 0, 0, 0, 0, 0],\ [0, 0, 2, 0, 0, 1],\ [0, 0, 0, 2, 0, 0]]) print("Dense matrix representation: \n", A) print("Memory utilised (bytes): ", sys.getsizeof(A)) print("Type of the object", type(A))
Wydrukuj matrycę i inne szczegóły:
Dense matrix representation: [[1 0 0 0 0 0] [0 0 2 0 0 1] [0 0 0 2 0 0]] Memory utilised (bytes): 184 Type of the object <class 'numpy.ndarray'>
Konwersja macierzy A na reprezentację macierzy skompresowanych rzadkich wierszy przy użyciu klasy csr_matrix:
S = csr_matrix(A) print("Sparse 'row' matrix: \n",S) print("Memory utilised (bytes): ", sys.getsizeof(S)) print("Type of the object", type(S))
Dane wyjściowe instrukcji print:
Sparse 'row' matrix: (0, 0) 1 (1, 2) 2 (1, 5) 1 (2, 3) 2 Memory utilised (bytes): 56 Type of the object: <class 'scipy.sparse.csr.csc_matrix'>
Konwersja macierzy A do reprezentacji macierzy skompresowanych kolumn rzadkich przy użyciu klasy csc_matrix:
S = csc_matrix(A) print("Sparse 'column' matrix: \n",S) print("Memory utilised (bytes): ", sys.getsizeof(S)) print("Type of the object", type(S))
Dane wyjściowe instrukcji print:
Sparse 'column' matrix: (0, 0) 1 (1, 2) 2 (2, 3) 2 (1, 5) 1 Memory utilised (bytes): 56 Type of the object: <class 'scipy.sparse.csc.csc_matrix'>
Jak widać, rozmiar skompresowanych macierzy to 56 bajtów, a oryginalny rozmiar macierzy to 184 bajty.
Bardziej szczegółowe wyjaśnienia i przykłady kodów można znaleźć w tym artykule: https://limitlessdatascience.wordpress.com/2020/11/26/sparse-matrix-in-machine-learning/
źródło