(scipy.sparse中diags函数的作用(意思)解读)
在看GCN代码时,有个处理矩阵的函数diags函数,diagonal是对矩阵进行对角化的意思,再看源码的过程中,有一些例子,我下面对这些例子进行解释。
下面是源码:
from scipy.sparse import diags
#这个定义的是对角的元素,这个对角的元素有三个,每一个都是一个列表形式
>>> diagonals = [[1, 2, 3, 4], [1, 2, 3], [1, 2]]
# 使用diags函数,该函数的第二个变量为对角矩阵的偏移量,
0:代表不偏移,就是(0,0)(1,1)(2,2)(3,3)...这样的方式写
k:正数:代表像正对角线的斜上方偏移k个单位的那一列对角线上的元素。
-k:负数,代表向正对角线的斜下方便宜k个单位的那一列对角线上的元素,
由此看下边输出
>>> diags(diagonals, [0, -1, 2]).toarray()
array([[1, 0, 1, 0],
[1, 2, 0, 2],
[0, 2, 3, 0],
[0, 0, 3, 4]])
第一个参数的第一个元素是[1,2,3,4],对应的第2个参数的数是0,所以1,2,3,4分别在结果的矩阵的(0,0)(1,1)(2,2)(3,3)位置。
第1个参数的第2个元素是[1,2,3],对应的第2个参数的数是-1,所以1,2,3分别放在(1,0)(2,1)(3,2)的位置。
第1个参数的第三个元素是[1,2],对应的第2个参数的数是2,所以1,2分别放在(0,2)(1,3)的位置上,其余地方补0就好。因为对角矩阵肯定是个方阵,所以就最后就是4*4的方阵。
Broadcasting of scalars is supported (but shape needs to be
specified):
>>> diags([1, -2, 1], [-1, 0, 1], shape=(4, 4)).toarray()
array([[-2., 1., 0., 0.],
[ 1., -2., 1., 0.],
[ 0., 1., -2., 1.],
[ 0., 0., 1., -2.]])
这种情况,第一个参数是一个一维数组,第二个参数也是一个列表,这就需要把第一个参数列表(数组)中的每个元素都与第二个参数的每个元素进行对应,所以就是下面这种情况。
第1个参数的第1个元素是1,对应的第2个参数的数是-1,,而且后边规定了是4*4的方阵,1首先放的位置是(1,0),所以此对角线的元素都为1,所以1分别在结果的矩阵的(1,0)(2,1)(3,2)位置。
第1个参数的第2个元素是-2,对应的第2个参数的数是0,所以-2分别放在(0,0)(1,1)(2,2)(3,3)的位置。
第1个参数的第3个元素是1,对应的第2个参数的数是1,所以1分别放在(0,1)(1,2)(2,3)的位置上,其余地方补0就好。
If only one diagonal is wanted (as in `numpy.diag`), the following
works as well:
>>> diags([1, 2, 3], 1).toarray()
array([[ 0., 1., 0., 0.],
[ 0., 0., 2., 0.],
[ 0., 0., 0., 3.],
[ 0., 0., 0., 0.]])