coo-matrix和csr-matrix的含义和存储方式

已于 2023-02-21 10:51:49 修改
阅读量580 收藏 1
点赞数
文章标签： numpy python 机器学习
于 2023-02-20 20:46:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36526540/article/details/129124383
版权
本文介绍了scipy库中处理稀疏矩阵的coo-matrix和csr-matrix。两者在打印结果上相同，但存储方式不同。coo-matrix使用行索引、列索引和值三个数组存储非零元素，而csr-matrix使用indices、indptr和data数组，其中indptr作为指针指示每行非零元素的开始和结束位置。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最近看论文的时候，会用到scipy库。其中包含了一些稀疏矩阵处理的方法，看到网上的文章写的有点乱，因此想要记录下。
首先放下官方文档：scipy.sparse.coo-matrix, scipy.sparse.csr_matrix

1.coo-matrix 和 csr-matrix相同点

csr-matrix 和 coo-matrix 为scipy 中用于处理稀疏矩阵的两种数据结构，他们print出来的结果相同，都以"(row, col) value"的格式出现。

原矩阵：
[[0, 0, 1],
[2, 0, 3],
[4, 5, 6]]

打印coo-matrix

import numpy as np
from scipy.sparse import coo_matrix，csr_matrix
# Create a 2D numpy array
arr = np.array([
最低0.47元/天 解锁文章
火柴人007
关注
Scipy.sparse模块中coo_matrix、csc_matrix、csr_matrix区别
漫步量化
06-25 4482
Scipy.sparse模块常用的三种具体形式 coo_matrix ：COOrdinate format matrix csc_matrix ：Compressed Sparse Column matrix csr_matrix ：Compressed Sparse Row matrix 区别 这几种方式描述的是计算机识别这个sparse的不同方式，我们常规意义上说矩阵都理解成列...
python 的csr_python - 以便携式数据形式保存/加载scipy稀疏csr_matrix
weixin_39974223的博客
12-21 450
以下是使用Jupyter笔记本的三个最受欢迎的答案的性能比较。 输入是一个1M x 100K随机稀疏矩阵，密度为0.001，包含100M非零值：from scipy.sparse import randommatrix = random(1000000, 100000, density=0.001, format='csr')matrix<1000000x100000 sparse matr...
【Scipy学习】Scipy中稀疏矩阵用法解析（sp.csr_matrix；sp.csc_matrix；sp.coo_matrix）
sxl的博客
05-17 1万+
import scipy . sparse as sp # 定义一个空的稀疏矩阵 s = sp . csr_matrix((3 , 3)) print(s . shape) # (3, 3) 根据行列索引建。
scipy.sparse.coo_matrix、csr_matrix、lil_matrix、dia_matrix
qq_43391414的博客
10-07 2293
1.coo啥意思？COOrdinate（坐标） 2.那么coo_matrix又是一个啥？这么跟你说吧，稀疏矩阵有很多表示的方法，其中coo_matrix是一种，其表示稀疏矩阵所用的方法名字就叫做COOrdinate或者叫做ijv,triplet A sparse matrix in COOrdinate format. Also known as the ‘ijv’ or ‘triplet’ format. 首先，我们要明白，矩阵可以看作是一个坐标，每一个坐标上都有一个值。 怕你英语不好 ijv:（i
稀疏矩阵coo_matrix、csr_matrix
Misnearch的博客
06-12 289
coo_matrix定以后shape就不可更改，但是data,row,col可以更改。data即元素，row,col分别是稀疏矩阵中元素的坐标位置。合并稀疏矩阵可以使用vstack()和hstack()。内存占用比csr_matrix少，易手工构建。
scipy中稀疏矩阵coo_matrix, csr_matrix 的使用
haoji007的博客
04-22 8376
当对离散数据进行拟合预测时，往往要对特征进行onehot处理，但onehot是高度稀疏的向量，如果使用List或其他常规的存储方式，对内存占用极大。 这时稀疏矩阵类型 coo_matrix / csr_matrix 就派上用场了！ 这两种稀疏矩阵类型csr_matrix存储密度更大，但不易手工构建。coo_matrix存储密度相对小，但易于手工构建，常用方法为先手工构建coo_matrix，...
C语言将CSR存储模式转为coo,将大型稀疏矩阵转换为COO时出错(Error converting large sparse matrix to COO)...
weixin_28823431的博客
05-17 872
将大型稀疏矩阵转换为COO时出错(Error converting large sparse matrix to COO)我遇到了下面的问题，试图浏览两个大的CSR矩阵：/usr/lib/python2.7/dist-packages/scipy/sparse/coo.pyc in _check(self)229 raise ValueError('negative...
python coo_matrix的理解和用法
ping550的专栏
09-04 1万+
1. 理解和用法 首先ffm格式（主key，副key，1）数据如下：第一列是lable，后面是x（特征值） 举例2：3:1表示 源数据第2列，索引为3 源数据test.txt：（其中第8列是连续型特征没有离散化，其他列是离散型特征） 1 2:3:1 3:5:1 5:7:1 7:10:1 8:14:1.2 0 1:1:1 2:4:1 6:9:1 7:10:1 8:14:2.3 1 2:3:1...
Scipy 稀疏矩阵 COO、CSC、CSR
SupreEvi的博客
07-13 3123
在Scipy包中，存在专门针对稀疏矩阵进行优化存储的函数，分别是COO、CSC和CSR。 之所以要使用稀疏矩阵，是因为计算所使用的数据中会存在很多无效项，所以可以转化存储方式，放弃存储无效数据，存储更多的有效数据，降低计算的复杂度。 在Scipy中有专门用于数学计算优化的package，就是scipy.sparse。而COO、CSC和CSR就是在sparse中定义的函数。 Scipy.sparse官方文档 可以看到在Sqarse matrix classes中存在三个类定义，分别是 ...
scipy中的稀疏矩阵coo_matrix，csr_matrix，csc_matrix
qq_36159768的博客
10-07 1169
coo_matrix COO优点： 1:容易构造,比较容易转换成其他的稀疏矩阵存储格式（CSR等） 2:写程序可以将libsvm格式的数据转换成COO比较容易，应该是充当libsvm与其他稀疏矩阵存储格式转换的媒介。 3:支持相同的(row,col)坐标上存放多个值。 COO缺点： 1：构建完成后不允许再插入或删除元素。不能进行常规矩阵运算。 2：不能直接进行科学计算和切片操作。 适用场景： 加载数据文件时使用coo_matrix快速构建稀疏矩阵，然后调用to_csr()、to_csc()、to_dens
python稀疏矩阵sparse matrix的保存和读取
qq1491599481的博客
04-29 1万+
from scipy import sparsesparse.save_npz('./filename.npz', csr_matrix_variable)  #保存csr_matrix_variable = sparse.load_npz('path.npz') #读参考：https://blog.csdn.net/weixin_36218261/article/details/78297716...
Python中csr_matrix的两种初始化方法
Angelaboy的博客
04-09 1018
Python中csr_matrix的两种初始化方法
coo_matrix函数
weixin_44635296的博客
02-01 6685
coo_matrix函数的用法 使用格式主要如下：coo_matrix((data, (row, col)), shape=(4, 4)).toarray() 代码举例如下： from scipy.sparse import coo_matrix, hstack import pandas as pd da = pd.read_csv('data/dummy/data1.csv') num =...
稀疏矩阵存储格式总结+存储效率对比:COO,CSR,DIA,ELL,HYB
weixin_33862514的博客
02-04 1231
稀疏矩阵是指矩阵中的元素大部分是0的矩阵，事实上，实际问题中大规模矩阵基本上都是稀疏矩阵，很多稀疏度在90%甚至99%以上。因此我们需要有高效的稀疏矩阵存储格式。本文总结几种典型的格式：COO,CSR,DIA,ELL,HYB。 （1）Coordinate（COO） 这是最简单的一种格式，每一个元素需要用一个三元组来表示，分别是（行号，列号，数值），对应上图右边的一列。这种方式简单，但...
【数据结构】数组和字符串（五）：特殊矩阵的压缩存储：稀疏矩阵——压缩稀疏行（CSR）
天地玄黄 魑魅魍魉 风花雪月 商角徵羽
10-26 1637
本文介绍了特殊矩阵的压缩存储：稀疏矩阵——压缩稀疏行（CSR）
稀疏矩阵的常用存储格式（COO、CSR、CSC）
wsc的博客
02-20 1万+
图是用于描述对象间关系的基本结构，顶点表示对象，边表示连接关系。 根据连接关系的紧密可以将图分为稀疏图和稠密图，两者是相对的概念，并不存在明确的划分界限。稀疏图可以理解为仅有少部分对象间存在关联，稠密图反之。实际应用中的图往往都是稀疏图。采用直观的办法来存储图往往会造成极大的空间浪费，如邻接矩阵（稀疏图对应的邻接矩阵中绝大部分的元素为零，无实际意义）。因此需要考虑寻求其它格式来进行高效存储。
scipy库中的sparse.csr_matrix函数介绍
艰难困苦，玉汝于成。
01-12 5324
目录前言一、csr_matrix函数总结 前言 csr_matrix函数主要是用来压缩稀疏矩阵。 一、csr_matrix函数 from scipy.sparse import csr_matrix import numpy as np # data：代表的是稀疏矩阵中存储的所有元素 data = np.array([1,2,3,4,5,6]) # indices: 代表的是这6个元素所在的列的位置 indices = np.array([0,2,2,0,1,2]) # indptr: 游标，每一行起始
python scipy 稀疏矩阵详解
热门推荐
jeffery0207的博客
08-25 4万+
文章目录稀疏矩阵格式coo_matrixcsr_matrixcsc_matrixlil_matrixdok_matrixdia_matrixbsr_matrix实用函数经验总结 稀疏矩阵格式 coo_matrix   coo_matrix是最简单的稀疏矩阵存储方式，采用三元组(row, col, data)(或称为ijv format)的形式来存储矩阵中非零元素的信息。在实际使用中，一般coo_m...
推荐系统笔记（十一）：使用coo_matrix函数遇到的坑
qq_46006468的博客
08-02 1615
coo_matrix使用方法。当尝试索引coo_matrix的时候就会发生以上错误，原因是稀疏矩阵coo_matrix不直接支持切片操作。切片操作本质上是根据一系列下标索引来获取元素。所以稀疏矩阵coo_matrix不直接支持根据下标索引来获...
coo_matrix矩阵运算
最新发布
02-11
### COO Matrix 的基本概念 COO (Coordinate Format) 是一种用于表示稀疏矩阵的数据结构，在 `scipy` 中由 `coo_matrix` 函数实现。这种格式非常适合构建稀疏矩阵，因为它只需要存储非零元素的位置及其对应的值[^1]。 ### 创建 COO 矩阵 创建一个 COO 矩阵可以通过指定非零元素的行列索引以及相应的数值来完成： ```python 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]) matrix_coo = coo_matrix((data, (row, col)), shape=(4, 4)) print(matrix_coo.toarray()) ``` 上述代码片段展示了如何利用给定的行、列坐标和数据值初始化一个形状为 `(4, 4)` 的 COO 稀疏矩阵，并将其转换成密集数组形式以便查看具体内容[^4]。 ### 常见的操作与属性 #### 转换其他格式 可以轻松地将 COO 矩阵转换为 CSR 或 CSC 格式的矩阵，这对于后续更高效的计算非常有用： ```python csr_format = matrix_coo.tocsr() csc_format = matrix_coo.tocsc() print("CSR format:\n", csr_format.toarray(), "\nCSC format:\n", csc_format.toarray()) ``` #### 获取维度信息 获取矩阵大小的信息同样简单明了： ```python shape_info = matrix_coo.shape nnz_elements = matrix_coo.nnz # 非零元素数量 print(f"Matrix dimensions are {shape_info} with nnz={nnz_elements}") ``` #### 执行算术运算 支持与其他相同尺寸的 COO 矩阵之间进行加法减法等基础运算；也可以乘以标量或向量来进行缩放和平移变换： ```python scalar_multiply = matrix_coo * 2 vector_addition = matrix_coo + coo_matrix(([1]*len(data), (row, col)), shape=matrix_coo.shape) print(scalar_multiply.toarray()) print(vector_addition.toarray()) ``` 这些操作均保持了原始稀疏性的特点，从而节省内存空间的同时提高了处理效率[^3]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值