如何在 Python 中创建稀疏矩阵
如果矩阵的大部分元素都有 0 值 ，那么就称之为稀疏矩阵。使用稀疏矩阵代替 a 简单矩阵的两大好处是:
- 存储:非零元素比零少，因此可以使用更少的内存来仅存储这些元素。
- 计算时间:通过逻辑设计只遍历非零元素的数据结构，可以节省计算时间。
稀疏矩阵通常是在应用机器学习中使用的，例如在包含将类别映射到计数的数据编码的数据中，以及在机器学习的整个子领域中使用的，例如自然语言处理(NLP)。
示例:
0 0 3 0 4
0 0 5 7 0
0 0 0 0 0
0 2 6 0 0
用 2D 阵列表示稀疏矩阵会导致大量内存的浪费，因为矩阵中的零在大多数情况下都没有用。所以，我们不是用非零元素存储零，而是只存储非零元素。这意味着用 三元组(行、列、值)存储非零元素。
用 Python 创建稀疏矩阵
Python 的 SciPy 给出了使用多个数据结构创建稀疏矩阵的工具，以及将密集矩阵转换为稀疏矩阵的工具。函数CSR _ matrix()用于创建c压缩稀疏行格式的稀疏矩阵，而CSC _ matrix()用于创建c压缩稀疏列格式的稀疏矩阵。
#使用CSR _ matrix()
语法:
scipy . sparse . CSR _ matrix(shape = None、dtype = None)
参数:
形状:获得矩阵形状
数据类型:矩阵的数据类型
例 1:
计算机编程语言
# Python program to create
# sparse matrix using csr_matrix()
# Import required package
import numpy as np
from scipy.sparse import csr_matrix
# Creating a 3 * 4 sparse matrix
sparseMatrix = csr_matrix((3, 4),
dtype = np.int8).toarray()
# Print the sparse matrix
print(sparseMatrix)
输出:
[[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]
例 2:
计算机编程语言
# Python program to create
# sparse matrix using csr_matrix()
# Import required package
import numpy as np
from scipy.sparse import csr_matrix
row = np.array([0, 0, 1, 1, 2, 1])
col = np.array([0, 1, 2, 0, 2, 2])
# taking data
data = np.array([1, 4, 5, 8, 9, 6])
# creating sparse matrix
sparseMatrix = csr_matrix((data, (row, col)),
shape = (3, 3)).toarray()
# print the sparse matrix
print(sparseMatrix)
输出:
[[ 1 4 0]
[ 8 0 11]
[ 0 0 9]]
#使用CSC _ matrix()
语法:
scipy . sparse . CSC _ matrix(shape = None、dtype = None)
参数:
形状:获得矩阵形状
数据类型:矩阵的数据类型
例 1:
计算机编程语言
# Python program to create
# sparse matrix using csc_matrix()
# Import required package
import numpy as np
from scipy.sparse import csc_matrix
# Creating a 3 * 4 sparse matrix
sparseMatrix = csc_matrix((3, 4),
dtype = np.int8).toarray()
# Print the sparse matrix
print(sparseMatrix)
输出:
[[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]
例 2:
计算机编程语言
# Python program to create
# sparse matrix using csc_matrix()
# Import required package
import numpy as np
from scipy.sparse import csc_matrix
row = np.array([0, 0, 1, 1, 2, 1])
col = np.array([0, 1, 2, 0, 2, 2])
# taking data
data = np.array([1, 4, 5, 8, 9, 6])
# creating sparse matrix
sparseMatrix = csc_matrix((data, (row, col)),
shape = (3, 3)).toarray()
# print the sparse matrix
print(sparseMatrix)
输出:
[[ 1 4 0]
[ 8 0 11]
[ 0 0 9]]
版权属于：月萌API www.moonapi.com，转载请注明出处
