数据结构分享之稀疏矩阵的压缩与解压

任务描述

在此次任务中，需要完成稀疏矩阵的压缩与解压。稀疏矩阵是一类0元素占比很大的一类矩阵，如果按照正常的矩阵来存储，将会占用很大的存储空间，会导致计算机的资源浪费。

程序实现（程序语言：python）

稀疏矩阵的压缩

def Sparse_Matrix_Compression(mat):
    out = []
    mat = np.array(mat)
    out.append((mat.shape[0], mat.shape[1], np.sum(mat != 0)))
    for i in range(mat.shape[0]):
        for j in range(mat.shape[1]):
            if mat[i, j] != 0:
                out.append((i, j, mat[i, j]))
    return out

稀疏矩阵的解压

def Sparse_Matrix_Decompression(list):
    out = np.zeros((list[0][0], list[0][1]))
    list = np.array(list)
    for i in range(list[0][2]):
        out[list[i + 1][0], list[i + 1][1]] = list[i + 1][2]
    print(out)
    return out

测试

mat = [[0, 1, 0, 0, 0, 0, 0],
       [0, 1, 0, 0, 0, 0, 0],
       [0, 1, 0, 0, 0, 0, 0],
       [0, 1, 0, 0, 1, 0, 0],
       [0, 1, 0, 0, 1, 0, 0],
       [0, 1, 0, 1, 0, 0, 0],
       [0, 1, 0, 1, 0, 0, 0]
       ]

out = Sparse_Matrix_Compression(mat)
Sparse_Matrix_Decompression(out)

总代码

import numpy as np


def Sparse_Matrix_Compression(mat):
    out = []
    mat = np.array(mat)
    out.append((mat.shape[0], mat.shape[1], np.sum(mat != 0)))
    for i in range(mat.shape[0]):
        for j in range(mat.shape[1]):
            if mat[i, j] != 0:
                out.append((i, j, mat[i, j]))
    return out


def Sparse_Matrix_Decompression(list):
    out = np.zeros((list[0][0], list[0][1]))
    list = np.array(list)
    for i in range(list[0][2]):
        out[list[i + 1][0], list[i + 1][1]] = list[i + 1][2]
    print(out)
    return out


mat = [[0, 1, 0, 0, 0, 0, 0],
       [0, 1, 0, 0, 0, 0, 0],
       [0, 1, 0, 0, 0, 0, 0],
       [0, 1, 0, 0, 1, 0, 0],
       [0, 1, 0, 0, 1, 0, 0],
       [0, 1, 0, 1, 0, 0, 0],
       [0, 1, 0, 1, 0, 0, 0]
       ]

out = Sparse_Matrix_Compression(mat)
Sparse_Matrix_Decompression(out)