本文介绍了稀疏矩阵的概念，以及在计算中处理稀疏矩阵的必要性。重点讲解了稀疏矩阵的多种存储格式，包括Coordinate（COO）、Compressed Sparse Row（CSR）、Compressed Sparse Column（CSC）、ELLPACK（ELL）、Hybrid（HYB）和对角线存储格式（DIA），并阐述了Python中scipy.sparse库中对应存储模式的实现。
文章目录
稀疏矩阵的定义
矩阵中非零元素的个数远远小于矩阵元素的总数，并且非零元素在矩阵内的分布没有规律。通常认为矩阵中非零元素的总是比上矩阵中所有元素总数的值小于等于0.05时，则称该矩阵为稀疏矩阵（Sparse matrix），改比值成为这个矩阵的稠密度。
稀疏矩阵几乎产生于所有的大型科学工程计算领域，包括计算流体力学、统计物理、电路模拟、图像处理、纳米材料计算等。
稀疏矩阵在计算中的处理
由稀疏矩阵的定义可知，在稀疏矩阵中非零元素较少。因此可以采用只存储非零元素的方法对矩阵进行压缩。
举例说明：一个二维数组 A m × n A_{m \times n} Am×n ，假设其中每个元素有 L L L 个字节，那么存储整个矩阵需要 m × n × L m \times n \times L m×n×
最低0.47元/天 解锁文章
扫一扫
1591
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
