稀疏矩阵加法运算_SciPy 稀疏矩阵笔记

众所周知，稀疏矩阵是指矩阵中大多数元素都是0的矩阵。对于稀疏矩阵，把它们当成正常矩阵来存储会很浪费空间，尤其是当矩阵的维度特别大的时候。存储稀疏矩阵的合理方式，是只存储非零元素的值，和它们在矩阵中的位置。

SciPy 中有 7 种存储稀疏矩阵的数据结构：

1. bsr_matrix: Block Sparse Row matrix
2. coo_matrix: COOrdinate format matrix
3. csc_matrix: Compressed Sparse Column matrix
4. csr_matrix: Compressed Sparse Row matrix
5. dia_matrix: Sparse matrix with DIAgonal storage
6. dok_matrix: Dictionary Of Keys based sparse matrix
7. lil_matrix: Row-based LInked List sparse matrix

如何选择正确的稀疏矩阵

不同的稀疏矩阵适用的操作不同。如果想创建一个新的稀疏矩阵，lil_matrix，dok_matrix和coo_matrix会比高效，但是它们不适合做矩阵运算。如果想做矩阵运算，例如矩阵乘法、求逆等，应该用 CSC 或者 CSR 类型的稀疏矩阵。由于在内存中存储顺序的差异，csc_matrix 矩阵更适合取列切片，而 csr_matrix 矩阵更适合用来取行切片。

几种稀疏矩阵的用法

这里只介绍其中的 coo_matrix，csc_matrix，csr_matrix 和 lil_matrix。

加载必要的库：

from scipy import sparse 
import numpy as np 

coo_matrix

coo_matrix 是最直观的稀疏矩阵定义方式。它的全称是 coordinate sparse matrix，从名字可以看出，它通过非零元素在矩阵中的坐标存储稀疏矩阵。 下面的代码将展示