scipy.sparse.coo_matrix

scipy.sparse.coo_matrix

scipy.sparse.coo_matrix(arg1, shape=None, dtype=None, copy=False)

坐标格式的稀疏矩阵。
也称为“ ijv”或“三胞胎”格式。

可以通过这几种方式实例化：

coo_matrix(D)	带有密集矩阵D
coo_matrix(S)	与另一个稀疏矩阵S（等效于S.tocoo（））
coo_matrix((M, N), [dtype])	构造形状为（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：1.data [:]矩阵的条目，以任何顺序 2.i [:]矩阵条目的行索引 3.j [:]矩阵条目的列索引 其中A [i [k]，j [k]] =data[k]。 如果未指定形状，则从索引数组中推断出形状

优点：

• 容易构造
• 可以快速地转换成其他形式的稀疏矩阵
• 支持相同的(row,col)坐标上存放多个值

缺点：

• 不能直接进行算术运算和切片操作

官网例子

>>> # 构建空矩阵
>>> from scipy.sparse import coo_matrix
>>> coo_matrix((3, 4), dtype=np.int8).toarray()
array([[0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0]], dtype=int8)

>>> # 用“ijv”的格式构建矩阵
>>> row  = np.array([0, 3, 1, 0])
>>> col  = np.array([0, 3, 1, 2])
>>> data = np.array([4, 5, 7, 9])
>>> coo_matrix((data, (row, col)), shape=(4, 4)).toarray()
array([[4, 0, 9, 0],
       [0, 7, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 5]])

具有的属性

属性	说明
dtype	矩阵的数据类型
shape	矩阵的形状
ndim	维数（常为2）
nnz	存储值的数量，包括显式零。
data	矩阵的COO格式数据数组
row	矩阵的COO格式行索引数组
col	矩阵的COO格式列索引数组

可调用的方法
参考官网：https://docs.scipy.org/doc/scipy/reference/generated/scipy.sparse.coo_matrix.html