scipy.sparse中csc/csr矩阵的解释

许多同学可能在使用python进行科学计算时用过稀疏矩阵的构造，而python的科学计算包scipy.sparse是很好的一个解决稀疏矩阵构造/计算的包。

下面我介绍一下scipy.sparse包中csc/csr矩阵的构造中一个比较难理解的构造方法：

官方文档（http://docs.scipy.org/doc/scipy/reference/generated/scipy.sparse.csc_matrix.html）中对csc矩阵的构造方法中最后一种：

csc_matrix((data, indices, indptr), [shape=(M, N)])

is the standard CSC representation where the row indices for column i are stored in  indices[indptr[i]:indptr[i+1]] and their corresponding values are stored in  data[indptr[i]:indptr[i+1]]. If the shape parameter is not supplied, the matrix dimensions are inferred from the index arrays.这个构造方法比较难理解，这里的indptr indices分别是什么呢？

对于以下代码来说：

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])
csc_matrix((data, indices, indptr), shape=(3, 3)).toarray()

indices代表了非零元素的行信息，它与indptr共同定位元素的行和列

首先对于0列来说 indptr[0]:indptr[1]=[0,1]  再看行indices[0,1]=[0,2] 数据data[0,1]=[1,2]  说明列0在行0和2上有数据1和2

对于1列来说  indptr[1]:indptr[2]=[2] 行indices[2]=[2] 数据data[2]=[3] 说明列2在行2上有数据3

对于2列来说  indptr[2]:indptr[3]=[3,4,5] 行indices[3,4,5]=[0,1,2] 数据data[3,4,5]=[4,5,6]

所以上述代码可以得到矩阵：

array([[1, 0, 4],
       [0, 0, 5],
       [2, 3, 6]])