我一直在玩Haskell中的基本函数,并且对于函数的以下类型声明之间的区别有点困惑 f

f :: Integer -> Integer

与

f :: Integral n => n -> n

到目前为止,我已将这两者视为相同,但我确信这不是真的.有什么不同？

编辑:作为对第一个答案的回答,我想提出一个类似的例子,更多的是我所持的问题.

请考虑以下声明

f :: Num n => n -> n

要么

f :: Num -> Num

每个提供什么功能？

我正在致力于在 Python 中实现稀疏未定系统的求解器（此处讨论），并且我尝试使用scipy.sparse 版本的 svd ( numpy.linalg.svd) 重建使用 SciPy说明书scipy.sparse.linalg.svds中标准 numpy svd 函数 ( ) 的空空间函数，但是它为我运行的示例输出不同的左右奇异向量 - 包括矩阵：

[[1,1,0,0,0],[0,0,1,1,0],[1,1,1,1,1]]  
[[1,0,1],[1,1,0],[0,1,1]]

为什么这两个求解器会为上面的矩阵产生两个不同的 svd 输出？我该怎么做才能确保相同的输出？

编辑

这是一个例子：table是csc_matrix这样的

table.todense()  = matrix([[1,1,0,0,0],[0,0,1,1,0],[1,1,1,1,1]],dtype=int64)

所以，下面的代码输出

numpy.linalg.svd(table.todense()) =  
[[ -3.64512933e-01   7.07106781e-01  -6.05912800e-01]  
[ -3.64512933e-01  -7.07106781e-01  -6.05912800e-01]  
[ -8.56890100e-01   2.32635116e-16   5.15499134e-01]]  
-----------------------------------------------------
[ 2.58873755  1.41421356  0.54629468]
-----------------------------------------------------
[[ -4.7181e-01 -4.7181e-01 -4.7181e-01 -4.7181e-01 -3.3101e-01]
[5e-01   5e-01  -5e-01  -5e-01 6.16450329e-17]
[-1.655e-01  -1.655e-01  -1.655e-01  -1.655e-01  9.436e-01]
[5e-01  -5e-01  -5e-01   5e-01 -1.77302319e-16]
[-5e-01 …

我有一个如下所示的数据框：

    X  Y
0   1  1
1   1  2
2   2  1
3   2  3
4   3  3

我想在networkx中创建一个无向图，其中数据帧的每一行对应于图中的一个节点（每个节点的名称应该是数据帧的索引值），如果两个节点共享，则在节点之间绘制一条边相同的 X 或 Y 值。如何才能做到这一点？