python知识：稀疏矩阵转换成密度矩阵

一、稀疏矩阵转换成密度矩阵

        稀疏矩阵没有特殊的，用三个np.array分别表示，row，column，和data表示稀疏矩阵；但稀疏矩阵转化成密集矩阵，需要快速转换，成熟的处理方法是scipy.sparse.coo_matrix类。

二、scipy.sparse.coo_matrix类定义

class scipy.sparse.coo_matrix(arg1, shape=None, dtype=None, copy=False)[source]

• A sparse matrix in COOrdinate format.
• Also known as the ‘ijv’ or ‘triplet’ format.

这可以通过多种方式实例化（instantiated ）：

• coo_matrix(D)      具有密集矩阵D
• coo_matrix(S)    与另一个稀疏矩阵 S (equivalent to S.tocoo())
• coo_matrix((M, N), [dtype])   构造一个形状为 (M, N) 的空矩阵 ​​dtype 是可选的，默认为 dtype='d'
• coo_matrix((data, (i, j)), [shape=(M, N)])

• 从三个数组构造：

  data[:] 矩阵的条目，以任意顺序

  i[:] 矩阵条目的行索引

  j[:] 矩阵条目的列索引

其中 A[i[k], j[k]] = data[k]。未指定形状时，从索引数组推断

注意：

稀疏矩阵可用于算术运算：它们支持加法、减法、乘法、除法和矩阵幂。

COO格式的优势

• 促进稀疏格式之间的快速转换
• 允许重复条目（参见示例）
• 与 CSR/CSC 格式之间的快速转换

COO格式的缺点

不直接支持：

• 算术运算
• 切片

预期用途

• COO 是一种用于构建稀疏矩阵的快速格式
• 构造矩阵后，转换为 CSR 或 CSC 格式以进行快速算术和矩阵向量运算
• 默认情况下，当转换为 CSR 或 CSC 格式时，重复的 (i,j) 条目将被汇总在一起。这有助于有效构建有限元矩阵等。 （见示例）

三、实例

3.1 生成空的矩阵

from scipy.sparse import coo_matrix
import numpy as np

mtrix = coo_matrix((3, 4), dtype=np.int8).toarray()
print( mtrix )

>>>array([[0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0]], dtype=int8)

3.2 用ijv格式生成矩阵

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

>>>array([[4, 0, 9, 0],
       [0, 7, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 5]])

3.3 构造具有重复索引的矩阵

from scipy.sparse import coo_matrix
import numpy as np
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_matrix((data, (row, col)), shape=(4, 4))
# Duplicate indices are maintained until implicitly or explicitly summed
# np.max(coo.data)
mtrix = coo.toarray()
print( mtrix )

array([[3, 0, 1, 0],
       [0, 2, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 1]])