稀疏矩阵csc_matrix函数的使用理解

最新推荐文章于 2024-03-25 09:46:27 发布
最新推荐文章于 2024-03-25 09:46:27 发布
阅读量2.6k 收藏 33
点赞数 10
分类专栏： 数据结构 文章标签： 数据结构 矩阵
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_41959288/article/details/118519021
版权

对csc_matrix稀疏矩阵的理解

背景

项目中使用到OSQP求解器，其使用了稀疏矩阵的方式对数据进行存储，使用过程中经常会忘记稀疏矩阵的几个存储数组存储内容的含义，记录一波，此处以图展示的方式来方便理解加深记忆。

以图的方式表示

这里以列存储的方式来说明，列存储方式理解了，行存储方式自然也理解了。下面主要是对三个存储数组的存储方式的理解：

indptr = [ ] ， 以累加的方式存储每一列包含有非零数字的个数，从0开始。
indices = [ ]，存储非零数字所在的行索引值。
data = [ ]， 以列顺序存储所有非零的数字。

示意图

在这里插入图片描述

简单例子

在这里插入图片描述

Ming天过后
关注
  • 10
    点赞
  • 踩
  • 33
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
csc_scs_CJHJapp下载_源码
10-01
hcxmhj hxxxmh shjhj cxhccjxxk
稀疏远矩阵的转置、乘法
11-07
稀疏远矩阵的转置、乘法#include<stdio.h> #include<stdlib.h> #define MAXSIZE 12500 //三元组结构 typedef struct { int i,j; //矩阵行下标和列下标 int e; //值 }Triple; //矩阵结构 typedef struct { Triple data[MAXSIZE+1]; int rpos[MAXSIZE+1]; //这是存放各行第一非零元在矩阵中的位置 int mu,nu,tu; //矩阵的行数、列数、非零元个数
探索OSQP：一个高效优化求解器的奥秘
最新发布
gitblog_00015的博客
03-25 339
探索OSQP：一个高效优化求解器的奥秘 项目地址:https://gitcode.com/oxfordcontrol/osqp OSQP是一个开源的二次规划（Quadratic Programming,QP）求解器，由牛津大学控制工程实验室开发并维护。该项目旨在提供一种快速、可靠的解决方案，以处理大规模线性优化问题。本文将深入探讨OSQP的技术特性，应用场景及其为何值得广大开发者和研究人员尝试。 ...
MPLS_csc_optc.pdf
04-04
MPLS_csc_optc.pdf
CSC.rar_CSC_超松弛
09-20
超松弛法解方程组
CSC_Machine_Learning_with_Python
03-17
CSC-使用Python进行机器学习 MỤCLỤC 第2章。有监督的学习-回归-线性回归 简单线性回归 多元线性回归 多项式回归 多元多项式 最小二乘法 均方误差（MSE） 平均绝对误差（MAE） 均方根误差（RMSE） R平方（ ，R ^ 2） 残差图，回归图，分布图 拦截，科夫 Đọc/ ghi文件到Google云端硬盘 培训数据与测试数据 pandas-profiling
稀疏矩阵csc_matrix
穿越临界点的博客
09-16 765
csc_matrix 是 SciPy 库中的一个稀疏矩阵格式，用于表示稀疏矩阵。它的全称是 Compressed Sparse Column matrix，也就是压缩稀疏列矩阵。
csc_matrix理解
RCJ__88的博客
07-14 1010
csc_matrix 理解
csc_matrix稀疏矩阵理解
王不二的路
06-05 4897
csc_matrix稀疏矩阵描述参考源稀疏矩阵的常规方式csc_matrixcsr_matrix 描述 Apollo轨迹规划中，横向轨迹优化使用的OSQP的二次规划求解器，其中通过调用csc_matrix()进行构建矩阵，即稀疏矩阵。 度娘：在矩阵中，若数值为0的元素数目远远多于非0元素的数目，并且非0元素分布没有规律时，则称该矩阵为稀疏矩阵；与之相反，若非0元素数目占大多数时，则称该矩阵为稠密矩阵。定义非零元素的总数比上矩阵所有元素的总数为矩阵的稠密度。 参考源 大神们的解释，丰富而精彩： scipy c
【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 8582
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 csr_matrix和csc_matrix函数的用法(通俗易懂版)
qq_42426993的博客
08-29 1369
概述 scipy.sparse库中的函数 为了将稀疏的np.array数据进行压缩 两者一个是行一个是列，基本思想差不多 csr_matrix >>> indptr = np.array([0, 2, 3, 6]) >>> indices = np.array([0, 2, 2, 0, 1, 2]) >>> data = np.array([1, 2, 3, 4, 5, 6]) >>> csr_matrix((data, indic
数据结构——稀疏矩阵
Fizzoa的博客
11-02 1万+
数据结构——稀疏矩阵
十分钟理解Scipy.csc_matrix和coo_matrix
dongfangxiaozi_的专栏
05-07 3万+
Scipy中常见的几类矩阵，包括lil_matrix和csc_matrix、coo_matrix，最近在研究网络结构的表示学习，需要使用这些工具。 官方文档其实已经讲得比较详细了，我这里再补充一点，把问题讲得更加简单明白。 csc_matrix: Example >>> import numpy as np >>> from scipy.sparse impor
csr_matrix和csc_matrix简析
weixin_42454594的博客
03-15 181
https://blog.csdn.net/sinat_33741547/article/details/79878547
scipy csr_matrix和csc_matrix函数详解
热门推荐
Sundrops的专栏
11-23 5万+
概述在用python进行科学运算时，常常需要把一个稀疏的np.array压缩，这时候就用到scipy库中的sparse.csr_matrix(csr:Compressed Sparse Row marix)和sparse.csc**_matric(csc:Compressed Sparse **Column marix)scipy.sparse.csr_matrix
Scipy.sparse中coo_matrix、csc_matrix、csr_matrix、lil_matrix辨析
调皮李小怪博客
05-17 3422
简介 1. coo_matrix: 坐标格式的矩阵(Coodrdinate format matrix) data = [1, 1, 1] row = [0, 1, 1] col = [0, 1, 1] matrix = sp.coo_matrix((data, (row, col)), shape=(3, 3)) matrix.todense() out: matrix([[1, 0, 0], [0, 2, 0], [0, 0, 0]]) 优点： 不同稀疏格式间
apollo自动驾驶进阶学习之：速度二次规划osqp求解器配置详解
qq_41593516的博客
06-08 1680
在OSQP以前的版本中(0.4)，没有对P矩阵有具体的要求，如果这是个下三角阵，则会将下三角部分去除，然后将上三角部分映射到下三叫部分。而如果这是个上三角阵，则将上三角部分映射到下三角。而在0.6版本中，则直接禁止了非对称阵，或者是下三角阵的出现，用户必须给出一个上三角阵，这样可以确保OSQP去解的问题是你在描述的问题。这是作者的回答：..........................................
稀疏矩阵详解：csr_matrix和csc_matrix
qq_28397005的博客
01-20 2277
稀疏矩阵详解：csc_matrix和csr_matrix
SciPy稀疏矩阵类csc_matrix和csr_mtrix
Stephen的博客
06-03 875
文章目录
torch中的CSC和CSR应该如何使用
07-12
在PyTorch中，CSC（Compressed Sparse Column）和CSR（Compressed Sparse Row）是用于稀疏矩阵存储和操作的格式。CSC和CSR都是将稀疏矩阵压缩为三个数组，分别存储非零元素的值、列索引和行指针。 要使用CSC和CSR格式，首先需要安装SciPy库，因为PyTorch不直接支持这两种格式。使用以下命令安装SciPy： ```python pip install scipy ``` 安装完成后，可以使用SciPy的`csr_matrix`和`csc_matrix`函数将稀疏矩阵转换为CSR和CSC格式。例如，将一个二维稀疏矩阵转换为CSR格式： ```python import torch from scipy.sparse import csr_matrix sparse_matrix = torch.sparse_coo_tensor(indices, values, size) csr_matrix = csr_matrix(sparse_matrix.to_dense().numpy()) ``` 在上面的代码中，`indices`是一个包含非零元素的索引的张量，`values`是一个包含非零元素值的张量，`size`是稀疏矩阵的形状。首先，使用PyTorch的`sparse_coo_tensor`函数创建一个COO（Coordinate）格式的稀疏张量，然后使用`to_dense`方法将其转换为密集张量。最后，使用SciPy的`csr_matrix`函数将密集矩阵转换为CSR格式。 类似地，可以使用`csc_matrix`函数将稀疏矩阵转换为CSC格式： ```python from scipy.sparse import csc_matrix csc_matrix = csc_matrix(sparse_matrix.to_dense().numpy()) ``` 转换为CSR或CSC格式后，可以使用SciPy提供的各种函数对稀疏矩阵进行操作和计算。 请注意，这里的示例代码是将PyTorch的稀疏张量转换为CSR或CSC格式。如果你已经有一个稀疏矩阵的CSR或CSC表示，可以直接使用相关的SciPy函数进行操作。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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