Question

在对numpy.ndarray求和时，它会降低数组的维数，除非我们设置keepdims=True。然而，对于Scipy的稀疏矩阵来说，这似乎并非如此：

import scipy.sparse

matrix = scipy.sparse.coo_matrix([[0, 1], [2, 1]])
print(matrix.shape)                 # (2, 2) as expected.
print(matrix.sum().shape)           # () as expected.
print(matrix.sum(axis=0).shape)     # (1, 2) but expected (2,).
print(matrix.sum(axis=0)[0].shape)  # (1, 2) but expected (2,).

如示例中的最后一行所示，我甚至无法选择结果向量。此外，尝试将总和的结果转换为密集的Numpy数组失败：

matrix.toarray()              # This works.
matrix.sum(axis=0).toarray()  # AttributeError: 'matrix' has no 'toarray'.

如何计算沿一维的稀疏矩阵之和并将结果作为密集数组获得？

Answer 1

稀疏矩阵，而不同的类（取决于格式的类）尝试表现得像np.matrix（其行为类似于旧式的MATLAB矩阵）。它的形状总是2d，索引，求和和相关动作返回2d。

In [172]: M = sparse.csr_matrix([[0,1],[2,1]])
In [173]: M
Out[173]: 
<2x2 sparse matrix of type '<class 'numpy.int32'>'
    with 3 stored elements in Compressed Sparse Row format>

总和产生标量或0d数组：

In [174]: M.sum()
Out[174]: 4
In [175]: _.shape
Out[175]: ()
In [176]: type(__)
Out[176]: numpy.int32

轴总和产生2d列或行向量密集矩阵：

In [177]: M.sum(axis=0)
Out[177]: matrix([[2, 2]], dtype=int32)
In [178]: _.shape
Out[178]: (1, 2)
In [179]: M.sum(axis=1)
Out[179]: 
matrix([[1],
        [3]])
In [180]: _.shape
Out[180]: (2, 1)

这与从密集矩阵获得的行为相同，例如M.todense()。 keepdims=True为数组提供类似的东西（来自MATLAB的人抱怨sum缩小了维度。）

密集矩阵具有方便的.A1属性，可将其转换为1d数组：

In [181]: M.sum(axis=1).A1
Out[181]: array([1, 3])
In [182]: M.sum(axis=0).A1
Out[182]: array([2, 2], dtype=int32)

.A适用于稀疏矩阵和密集矩阵，但只有稀疏有toarray方法（和todense）。就像我说的那样，稀疏模仿密集矩阵，但不是一个子类。

稀疏轴和实际上进行矩阵乘法;密集矩阵*稀疏矩阵产生密集矩阵：

In [186]: M*np.matrix([[1],[1]])
Out[186]: 
matrix([[1],
        [3]], dtype=int32)
In [187]: np.matrix([[1,1]])*M
Out[187]: matrix([[2, 2]], dtype=int32)

关于阵列总和的投诉不要离开这个＆＃39;空的＆＃39; （单数是一个术语，1不是0）维度：

Why does the shape remains same when I sum a square numpy array along either directions?

为什么对稀疏矩阵求和会留下空白维度？

1 个答案: