Question

这是一个非常简单的问题。对于像coo_matrix这样的SciPy稀疏矩阵，如何访问单个元素？

给出特征线性代数库的类比。可以使用coeffRef访问元素（i，j），如下所示：

myMatrix.coeffRef(i,j)

Answer 1

来自coo_matrix的文档：

 |  Intended Usage
 |      - COO is a fast format for constructing sparse matrices
 |      - Once a matrix has been constructed, convert to CSR or
 |        CSC format for fast arithmetic and matrix vector operations
 |      - By default when converting to CSR or CSC format, duplicate (i,j)
 |        entries will be summed together.  This facilitates efficient
 |        construction of finite element matrices and the like. (see example)

事实上，csr_matrix以预期的方式支持索引：

>>> from scipy.sparse import coo_matrix
>>> m = coo_matrix([[1, 2, 3], [4, 5, 6]])
>>> m1 = m.tocsr()
>>> m1[1, 2]
6
>>> m1
<2x3 sparse matrix of type '<type 'numpy.int64'>'
    with 6 stored elements in Compressed Sparse Row format>

（我从文档中找到上述引文的方式是>>> help(m)，相当于the online docs）。

Answer 2

要扩展将coo矩阵转换为csr到索引，以下是小稀疏矩阵的一些时序

制作矩阵

In [158]: M=sparse.coo_matrix([[0,1,2,0,0],[0,0,0,1,0],[0,1,0,0,0]])

In [159]: timeit M[1,2]
TypeError: 'coo_matrix' object is not subscriptable

In [160]: timeit M.tocsc()[1,2]
1000 loops, best of 3: 375 µs per loop

In [161]: timeit M.tocsr()[1,2]
1000 loops, best of 3: 241 µs per loop

In [162]: timeit M.todok()[1,2]
10000 loops, best of 3: 65.8 µs per loop

In [163]: timeit M.tolil()[1,2]
1000 loops, best of 3: 270 µs per loop

显然，选择单个元素dok是紧固的（计算转换时间）。这种格式实际上是一个字典，当然可以快速访问元素。

但是如果您经常访问整行或整列，或者遍历行或列，则需要更仔细地阅读文档，并且可能会对典型数组进行自己的时间测试。

如果您正在设置值，而不仅仅是阅读它们，时间甚至实现可能会有所不同。如果您尝试更改0或csr格式的csc元素，系统会收到效率警告。

访问coo_matrix中的元素

2 个答案: