我是Python的新手,我有一个(可能非常幼稚)的问题。我有一个要处理的CSR(压缩稀疏行)矩阵(将其命名为M
),看起来有些为2d numpy数组操作设计的函数可以为我的矩阵工作,而另一些则没有。 >
例如,numpy.sum(M, axis=0)
运行正常,而numpy.diagonal(M)
给出错误提示{ValueError}diag requires an array of at least two dimensions
。
那么为什么一个矩阵函数可以在M
上工作而另一个却不能呢?
还有一个问题是,鉴于上述numpy.diagonal
,如何从CSR矩阵中获取对角元素呢?
答案 0 :(得分:1)
np.diagonal
的代码是:
return asanyarray(a).diagonal(offset=offset, axis1=axis1, axis2=axis2)
也就是说,它首先尝试将参数转换为数组,例如,如果它是列表的列表。但这不是将稀疏矩阵转换为ndarray
的正确方法。
In [33]: from scipy import sparse
In [34]: M = sparse.csr_matrix(np.eye(3))
In [35]: M
Out[35]:
<3x3 sparse matrix of type '<class 'numpy.float64'>'
with 3 stored elements in Compressed Sparse Row format>
In [36]: M.A # right
Out[36]:
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
In [37]: np.asanyarray(M) # wrong
Out[37]:
array(<3x3 sparse matrix of type '<class 'numpy.float64'>'
with 3 stored elements in Compressed Sparse Row format>, dtype=object)
正确使用np.diagonal
的方法是:
In [38]: np.diagonal(M.A)
Out[38]: array([1., 1., 1.])
但是没有必要。 M
已具有diagonal
方法:
In [39]: M.diagonal()
Out[39]: array([1., 1., 1.])
np.sum
确实有效,因为它将操作委托给了一个方法(请看其代码):
In [40]: M.sum(axis=0)
Out[40]: matrix([[1., 1., 1.]])
In [41]: np.sum(M, axis=0)
Out[41]: matrix([[1., 1., 1.]])
作为一般规则,请尝试在稀疏矩阵上使用sparse
函数和方法。不要指望numpy
函数正常工作。 sparse
建立在numpy
的基础上,但是numpy
并不“了解” sparse
。