如何使用scipy编辑稀疏矩阵中的单元格？

Question

我试图在稀疏矩阵中操纵一些数据.一旦我创建了一个,我如何在其中添加/更改/更新值？这看起来非常基本,但我在稀疏矩阵类的文档中或在Web上找不到它.我想我错过了至关重要的事情.

这是我尝试这样做的失败方式,与普通数组相同.

>>> from scipy.sparse import bsr_matrix
>>> A = bsr_matrix((10,10))
>>> A[5][7] = 6

Traceback (most recent call last):
  File "<pyshell#11>", line 1, in <module>
    A[5][7] = 6
  File "C:\Python27\lib\site-packages\scipy\sparse\bsr.py", line 296, in __getitem__
    raise NotImplementedError
NotImplementedError

Answer 1

有几种稀疏矩阵格式.有些更适合索引.实现它的人是lil_matrix.

Al = A.tolil()
Al[5,7] = 6  # the normal 2d matrix indexing notation
print Al
print Al.A # aka Al.todense()
A1 = Al.tobsr()  # if it must be in bsr format

每种格式的文档都表明它擅长什么,哪些不好.但它没有一个清晰的列表,其中列出了哪些操作已定义.

Advantages of the LIL format
  supports flexible slicing
  changes to the matrix sparsity structure are efficient
  ...
Intended Usage
  LIL is a convenient format for constructing sparse matrices
  ...

dok_matrix 还实现了索引.

底层数据结构coo_matrix易于理解.它本质上是coo_matrix((data, (i, j)), [shape=(M, N)])定义的参数.要创建相同的矩阵,您可以使用:

sparse.coo_matrix(([6],([5],[7])), shape=(10,10))

如果您有更多的任务,构建更大data,i,j列表(或一维数组),当完成构建稀疏矩阵.

Answer 2

bsr 的文档是这里bsr 矩阵，csr 的文档是这里csr 矩阵。在转向 BSR 之前了解 CSR 可能是值得的。唯一的区别是 bsr 的条目本身就是矩阵，而 csr 中的基本单位是标量。

我不知道创建矩阵后是否有超级简单的方法来操作它们，但这里有一些您想要做的示例，

import numpy as np
from scipy.sparse import bsr_matrix, csr_matrix

row = np.array( [5] )
col = np.array( [7] )
data = np.array( [6] )
A = csr_matrix( (data,(row,col)) )

这是一种简单的语法，您可以在数组中列出矩阵中所需的所有数据，然后使用和data指定该数据的去向。请注意，这将使矩阵尺寸足够大以容纳最大行和列中的元素（在本例中为 6x8 矩阵）。您可以使用该方法查看标准形式的矩阵。rowcoltodense()

A.todense()

但是，您无法使用此模式即时操作矩阵。您可以做的是修改矩阵的本机 scipy 表示形式。这涉及 3 个属性，indices、indptr、 和data。首先，我们可以检查我们已经创建的数组的这些属性的值。

>>> print A.data
array([6])

>>> print A.indices
array([7], dtype=int32)

>>> print A.indptr
array([0, 0, 0, 0, 0, 0, 1], dtype=int32)

data和之前一样，是我们想要在矩阵中包含值的一维数组。不同之处在于该数据的位置现在由indices和指定，indptr而不是row和col。 indices相当简单。它只是每个数据条目所在列的列表。它将始终具有相同的大小和数组data。 indptr有点棘手。它让数据结构知道每个数据条目位于哪一行。引用文档，

行的列索引i存储在indices[indptr[i]:indptr[i+1]]

从这个定义中，我们可以看到 的大小indptr始终是矩阵中的行数 + 1。需要一点时间来适应它，但是计算每一行的值会给您一些直觉。请注意，直到最后一项为止，所有条目均为零。这意味着行的列索引i=0-4将存储在indices[0:0]空数组中。这是因为这些行全为零。最后，在最后一行，i=5我们得到indices[0:1]=7它告诉我们数据条目data[0:1]位于第 5 行第 7 列。

现在假设我们想在第 2 行第 4 列添加值 10。我们首先将其放入data属性中，

A.data = np.array( [10,6] )   

接下来我们更新indices以指示第 10 列将位于，

A.indices = np.array( [4,7], dtype=np.int32 )

最后我们通过修改来指示它将位于哪一行indptr

A.indptr = np.array( [0,0,0,1,1,1,2], dtype=np.int32 )

将indices和的数据类型设置为 很重要indptr np.int32。可视化所发生内容的一种方法是，当您从具有数据的行移至另一行时，数字indptr会发生变化。另请注意，此类数组可用于构造稀疏矩阵ii+1

B = csr_matrix( (data,indices,indptr) )

如果它像您尝试的那样简单地索引到数组中，那就太好了，但实现尚未实现。这至少应该足以让您开始。