numpy.matrix veya array scipy sparse matrisine dönüştürme nasıl yapılır

Question

SciPy seyrek matrisi için, NumPy matrisine veya dizisine dönüştürmek için todense() veya toarray() kullanabilirsiniz. Tersi yapmak için fonksiyonlar nelerdir?

Aradım, ancak anahtar kelimelerin doğru isabet olması gerektiği konusunda hiçbir fikrim yok.

Answer 1

Seyrek bir matrisi başlatırken numpy dizisini veya matrisi argüman olarak geçirebilirsiniz. Bir CSR matrisi için, örneğin, aşağıdakileri yapabilirsiniz.

>>> import numpy as np 
>>> from scipy import sparse 
>>> A = np.array([[1,2,0],[0,0,3],[1,0,4]]) 
>>> B = np.matrix([[1,2,0],[0,0,3],[1,0,4]]) 

>>> A 
array([[1, 2, 0], 
     [0, 0, 3], 
     [1, 0, 4]]) 

>>> sA = sparse.csr_matrix(A) # Here's the initialization of the sparse matrix. 
>>> sB = sparse.csr_matrix(B) 

>>> sA 
<3x3 sparse matrix of type '<type 'numpy.int32'>' 
     with 5 stored elements in Compressed Sparse Row format> 

>>> print sA 
    (0, 0)  1 
    (0, 1)  2 
    (1, 2)  3 
    (2, 0)  1 
    (2, 2)  4 

Answer 2

Scipy'de birkaç seyrek matris sınıfı vardır.

bsr_matrix (ARG1 [, şekil, d_type, kopyalama, blok boyutu]) Blok Seyrek Sıra matris
coo_matrix (ARG1 [, şekil, d_type, kopyalama]) seyrek bir matris biçimi koordine ederler.
csc_matrix (ARG1 [, şekil, d_type, kopyalama]) sıkıştırılmış seyrek sütun matrisi
csr_matrix (ARG1 [, şekil, d_type, kopyalama]) Seyrek Sıra Matrisi
dia_matrix Sıkıştırılmış (ARG1 [, şekil, d_type, kopyalama]) DIOgonal depolama
dok_matrix (arg1 [, şekil, dtype, copy]) ile Seyrek matris Anahtar temelli seyrek matris.
lil_matrix (ARG1 [, şekil, d_type, kopyalama]) sıra tabanlı bağlantılı liste eksik matris

bunların herhangi bir dönüştürme yapabilir.

import numpy as np 
from scipy import sparse 
a=np.array([[1,0,1],[0,0,1]]) 
b=sparse.csr_matrix(a) 
print(b) 

(0, 0) 1 
(0, 2) 1 
(1, 2) 1 

Bkz. http://docs.scipy.org/doc/scipy/reference/sparse.html#usage-information.

Answer 3

Ters olarak, işlev inv(A)'dur, ancak bunu kullanmamayacağım, çünkü büyük matrisler için çok hesaplı maliyetli ve kararsızdır. Bunun yerine, tersine bir yaklaşım kullanmalısınız veya Ax = b'yi çözmek istiyorsanız, A ^-1'a ihtiyacınız yoktur.