scipy稀疏数组dok_array如何使用

这篇文章主要介绍“scipy稀疏数组dok_array如何使用”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“scipy稀疏数组dok_array如何使用”文章能帮助大家解决问题。

dok_array

dok数组就是通过键值对存储的数组，其中key就是矩阵中的坐标元组，value就是对应坐标中的值，是最容易理解的稀疏矩阵存储方案。

>>> import numpy as np
>>> from scipy.sparse import dok_array
>>> dok = dok_array((5, 5), dtype=np.float32)
>>> for i in range(5):
...     for j in range(5):
...         dok[i, j] = i + j    # Update element
...
>>> print(dok.toarray())
[[0. 1. 2. 3. 4.]
 [1. 2. 3. 4. 5.]
 [2. 3. 4. 5. 6.]
 [3. 4. 5. 6. 7.]
 [4. 5. 6. 7. 8.]]

得到结果为

从上面的代码来看，其等价形式如下，唯一的区别是，对于一个全0的矩阵，array必须将所有0都存储下来，而dok数组可以不存储任何有效值。但对于全都不是0的矩阵，dok除了存储矩阵的值之外，还要将矩阵的坐标重新写一边，相当于数据量翻了三倍。

>>> Z = np.zeros([5,5])
>>> for i in range(5):
...     for j in range(5):
...         Z[i, j] = i + j    # Update element
...
>>> print(Z)
[[0. 1. 2. 3. 4.]
 [1. 2. 3. 4. 5.]
 [2. 3. 4. 5. 6.]
 [3. 4. 5. 6. 7.]
 [4. 5. 6. 7. 8.]]

初始化方案

dok仅支持三种初始化方案：

• dok_array(D) D是一个稀疏数组或2 × D 2\times D2×D数组

• dok_array(S) S是另一种稀疏数组。

• dok_array((M, N),dtype='d') 创建一个shape为( M , N ) (M, N)(M,N)的空数组，dtype为数据类型

内置方法

稀疏数组在计算上并不便捷，所以dok_array中内置了下列函数，可以高效地完成计算。

函数	expm1, log1p, sqrt, pow, sign
三角函数	sin, tan, arcsin, arctan, deg2rad, rad2deg
双曲函数	sinh, tanh, arcsinh, arctanh
索引	getcol, getrow, nonzero, argmax, argmin, max, min
舍入	ceil, floor, trunc
变换	conj, conjugate, getH
统计	count_nonzero, getnnz, mean, sum
矩阵	diagonal, trace
获取属性	get_shape, getformat
计算比较	multiply, dot, maximum, minimum
转换	asformat, asfptype, astype, toarray, todense
转换	tobsr, tocoo, tocsc, tocsr, todia, todok, tolil
更改维度	set_shape, reshape, resize, transpose
排序	sort_indices, sorted_indices
移除元素	eliminate_zeros, prune, sum_duplicates
其他	copy, check_format, getmaxprint, rint, setdiag

关于“scipy稀疏数组dok_array如何使用”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注本站行业资讯频道，小编每天都会为大家更新不同的知识点。