Come trasformare numpy.matrix o array in matrice scipy sparse

Question

Per la matrice sparse SciPy, è possibile utilizzare todense() o toarray() per trasformarsi in matrice NumPy o array. Quali sono le funzioni per fare l'inverso?

Ho cercato, ma non ho idea di quali parole chiave dovrebbero essere il giusto colpo.

Answer 1

È possibile passare una matrice numerica o una matrice come argomento durante l'inizializzazione di una matrice sparsa. Ad esempio, per una matrice CSR, è possibile eseguire quanto segue.

>>> import numpy as np 
>>> from scipy import sparse 
>>> A = np.array([[1,2,0],[0,0,3],[1,0,4]]) 
>>> B = np.matrix([[1,2,0],[0,0,3],[1,0,4]]) 

>>> A 
array([[1, 2, 0], 
     [0, 0, 3], 
     [1, 0, 4]]) 

>>> sA = sparse.csr_matrix(A) # Here's the initialization of the sparse matrix. 
>>> sB = sparse.csr_matrix(B) 

>>> sA 
<3x3 sparse matrix of type '<type 'numpy.int32'>' 
     with 5 stored elements in Compressed Sparse Row format> 

>>> print sA 
    (0, 0)  1 
    (0, 1)  2 
    (1, 2)  3 
    (2, 0)  1 
    (2, 2)  4 

Answer 2

Esistono diverse classi di matrice sparse in scipy.

bsr_matrix (arg1 [, forma, dtype, copia, blocksize]) Blocco minimalista fila matrice
coo_matrix (arg1 [, forma, dtype, copia]) Una matrice sparsa in formato di coordinate.
csc_matrix (arg1 [, forma, dtype, copia]) compressa matrice colonna minimalista
csr_matrix (arg1 [, forma, dtype, copia]) compressa matrice minimalista fila
dia_matrix (arg1 [, forma, dtype, copia]) Matrice sparsa con memoria DIAgonal
dok_matrix (arg1 [, forma, dtype, copia]) Dizionario di matrice sparsa basata su Chiavi.
lil_matrix (arg1 [, forma, dtype, copia]) basata fila lista collegata sparse matrice

Qualsiasi di loro può eseguire la conversione.

import numpy as np 
from scipy import sparse 
a=np.array([[1,0,1],[0,0,1]]) 
b=sparse.csr_matrix(a) 
print(b) 

(0, 0) 1 
(0, 2) 1 
(1, 2) 1 

Vedere http://docs.scipy.org/doc/scipy/reference/sparse.html#usage-information.

Answer 3

Come per l'inverso, la funzione è inv(A), ma non la consiglio di utilizzarla, poiché per le matrici enormi è molto computazionalmente costosa e instabile. Invece, dovresti usare un'approssimazione all'inverso, o se vuoi risolvere Ax = b non hai davvero bisogno di A ^-1.