稀疏矩阵coo_matrix、csr_matrix

coo_matrix

内存占用比csr_matrix少，易手工构建
例如：
data即元素，row,col分别是稀疏矩阵中元素的坐标位置

>>> import numpy as np
>>> data = np.array([4,5,7,9])
>>> data
array([4, 5, 7, 9])
>>> row = np.array([0,3,1,0])
>>> row
array([0, 3, 1, 0])
>>> col = np.array([0,3,1,2])
>>> col
array([0, 3, 1, 2])
>>> import scipy.sparse
>>> coo = scipy.sparse.coo_matrix((data, (row, col)),shape=(4,4))
>>> coo
<4x4 sparse matrix of type '<class 'numpy.int32'>'
	with 4 stored elements in COOrdinate format>
>>> coo.toarray()
array([[4, 0, 9, 0],
       [0, 7, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 5]])
>>> coo.tocsr().toarray() # 转为csr_matrix
array([[4, 0, 9, 0],
       [0, 7, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 5]], dtype=int32)
>>> 

coo_matrix定以后shape就不可更改，但是data,row,col可以更改。
合并稀疏矩阵可以使用vstack()和hstack()。