基本原理

bsr，即Block Sparse Row，bsr_array即塊稀疏行矩陣，顧名思義就是將稀疏矩陣分割成一個個非0的子塊，然后對這些子塊進(jìn)行存儲。通過輸入維度，可以創(chuàng)建一個空的bsr數(shù)組，但bsr格式并不可見，需要通過toarray轉(zhuǎn)為數(shù)組，才能一窺全貌。

from scipy.sparse import bsr_array
import numpy as np
import sys
bsr = bsr_array((100, 200), dtype=np.int8)
sys.getsizeof(bsr)      # 48
bsr_arr = bsr.toarray() # 轉(zhuǎn)為數(shù)組
sys.getsizeof(bsr_arr)  # 20120

egtsizeof可查看數(shù)據(jù)占用的內(nèi)存，其中bsr占用48byte，轉(zhuǎn)為數(shù)組之后占據(jù)20k，這就是稀疏矩陣存在的價值。

當(dāng)然，全零的數(shù)組就直接叫全零數(shù)組得了，直接存?zhèn)€行列數(shù)比bsr還省事兒，接下來構(gòu)造一個矩陣

from numpy.random import randint, rand
tmp = np.zeros([200,200])
for i in range(30):
? ? x, y = randint(195, size=(2))
? ? tmp[x:x+5, y:y+5]=rand(5,5)

print(tmp.size) ? ? ? ? ? ?# 40000
bsr = bsr_array(tmp, blocksize=(5,5)) ? ?
print(bsr.data.size) ? ? ? # 2850
print(bsr.indptr.size) ? ? # 41
print(bsr.indices.size) ? ?# 114
print(tmp.size)

bsr.data是bsr中存放的矩陣塊；bsr.indices為這些矩陣塊對應(yīng)的列號數(shù)組；bsr.indptr為索引的行分割數(shù)組；這些零零碎碎加在一起也只有3005個數(shù)，和40k的tmp相比，可以說壓縮效率非常高了。

通過data, indptr和indices，可以將bsr復(fù)原為矩陣。首先，列號和數(shù)據(jù)是一一對應(yīng)的；其次indptr對索引和數(shù)據(jù)按行分割。在本例中，indptr的值為0, 2, 6, 8…，則data[0:2]存放在第0行，對應(yīng)的列號為indices[0:2]；data[2:6]存放在第1行，對應(yīng)的列號為indices[2:6]，以此類推。

初始化

bsr_array共有5種初始化方案：

• bsr_array(D) D是一個稀疏數(shù)組或2 × D 2\times D2×D數(shù)組
• bsr_array(S) S是另一種稀疏數(shù)組
• bsr_array((M, N),dtype) 創(chuàng)建一個shape為( M , N ) (M, N)(M,N)的空數(shù)組，dtype為數(shù)據(jù)類型
• bsr_array((data, ij)) ij是坐標(biāo)數(shù)組，可分解為i,j=ij，data是數(shù)據(jù)數(shù)組，設(shè)新矩陣為a，則a[i[k], j[k]] = data[k]
• bsr_array((data, indices, indptr))

前四種方法均有參數(shù)blocksize，為塊尺寸；后兩種方法均有參數(shù)shape，為稀疏矩陣的維度。

從原理上來說，通過data, indices, indptr來創(chuàng)建的bsr數(shù)組，屬于"原生"的bsr數(shù)組，其創(chuàng)建規(guī)則就是前文提到的復(fù)原規(guī)則。

內(nèi)置方法

稀疏數(shù)組在計(jì)算上并不便捷，所以bsr_array中內(nèi)置了下列函數(shù)，可以高效地完成計(jì)算。

到此這篇關(guān)于Scipy稀疏矩陣bsr_array的使用的文章就介紹到這了,更多相關(guān)Scipy稀疏矩陣bsr_array內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！