scipy稀疏数组coo_array如何实现

coo_array

coo也被称为ijv，是一种三元组格式，对于矩阵中第i ii行第j jj列的值v vv，将其存储为( i , j , v ) (i,j,v)(i,j,v)这样的三元组，即为coo_array的原理。

例如

import numpy as np
from scipy.sparse import coo_array
row  = np.array([0, 3, 1, 0])
col  = np.array([0, 3, 1, 2])
data = np.array([4, 5, 7, 9])
coo_array((data, (row, col)), shape=(4, 4)).toarray()
print(coo.toarray())

其输出结果为

但需要注意一点，若行数组和列数组所对应的矩阵坐标发生了重复，那么重复位置处对应的值会累加，

row  = np.array([0, 0, 1, 3, 1, 0, 0])
col  = np.array([0, 2, 1, 3, 1, 0, 0])
data = np.array([1, 1, 1, 1, 1, 1, 1])
coo = coo_array((data, (row, col)), shape=(4, 4))
print(coo.toarray())

结果为

初始化方案

• coo_array(D) D是一个稀疏数组或2 × D 2times D2×D数组

• coo_array(S) S是另一种稀疏数组

• coo_array((M, N),dtype='d') 创建一个shape为( M , N ) (M, N)(M,N)的空数组，dtype为数据类型

• coo_array((data, (i,j))) (i, j)是坐标数组，data是数据数组，设新矩阵为a，则a[i[k], j[k]] = data[k]

前三种比较容易理解，下面验证一下第四种

>>> from scipy.sparse import coo_array
>>> import numpy as np
>>> data = np.random.rand(3)
>>> x = y = np.arange(3).astype(int)
>>> coo = coo_array((data,(x,y)))
>>> coo.toarray()
array([[0.28050236, 0.        , 0.        ],
       [0.        , 0.59568482, 0.        ],
       [0.        , 0.        , 0.84392724]])

内置方法

稀疏数组在计算上并不便捷，所以coo_array中内置了下列函数，可以高效地完成计算。