scipy.sparse.

csc_array#

класс scipy.sparse.csc_array(arg1, shape=None, dtype=None, copy=False, *, maxprint=None)[источник]#

Сжатый разреженный столбцовый массив.

Это может быть создано несколькими способами:

csc_array(D): где D — это 2-D ndarray
csc_array(S): с другой разреженной матрицей или массивом S (эквивалентно S.tocsc())
csc_array((M, N), [dtype]): для создания пустого массива с формой (M, N) dtype опционален, по умолчанию dtype='d'.
csc_array((data, (row_ind, col_ind)), [shape=(M, N)]): где data, row_ind и col_ind удовлетворяют соотношению a[row_ind[k], col_ind[k]] = data[k].
csc_array((data, indices, indptr), [shape=(M, N)]): является стандартным представлением CSC, где индексы строк для столбца i хранятся в indices[indptr[i]:indptr[i+1]] и их соответствующие значения хранятся в data[indptr[i]:indptr[i+1]]. Если параметр формы не указан, размеры массива выводятся из индексных массивов.

Атрибуты:

dtypedtype: Тип данных массива
shape2-кортеж: Форма массива
ndimint: Количество измерений (всегда равно 2)
nnz: Количество хранимых значений, включая явные нули.
size: Количество сохранённых значений.
данные: Массив данных в формате CSC массива
индексы: Индексный массив формата CSC массива
indptr: Массив указателей индексов формата CSC массива
has_sorted_indices: Отсортированы ли индексы
has_canonical_format: Имеет ли массив/матрица отсортированные индексы и отсутствие дубликатов
T: Транспонирование.

Методы

`__len__`()
`arcsin`()	Поэлементный арксинус.
`arcsinh`()	Поэлементный arcsinh.
`arctan`()	Поэлементный арктангенс.
`arctanh`()	Поэлементный арктангенс гиперболический.
`argmax`([axis, out, explicit])	Возвращает индексы максимальных элементов вдоль оси.
`argmin`([axis, out, explicit])	Возвращает индексы минимальных элементов вдоль оси.
`asformat`(format[, copy])	Вернуть этот массив/матрицу в переданном формате.
`astype`(dtype[, casting, copy])	Привести элементы массива/матрицы к указанному типу.
`ceil`()	Поэлементное округление вверх.
`check_format`([full_check])	Проверка, соответствует ли массив/матрица формату CSR или CSC.
`conj`([copy])	Поэлементное комплексное сопряжение.
`conjugate`([copy])	Поэлементное комплексное сопряжение.
`copy`()	Возвращает копию этого массива/матрицы.
`count_nonzero`([axis])	Количество ненулевых элементов, эквивалентно
`deg2rad`()	Поэлементное преобразование градусов в радианы.
`diagonal`([k])	Возвращает k-ю диагональ массива/матрицы.
`dot`(other)	Обычное скалярное произведение
`eliminate_zeros`()	Удалить нулевые элементы из массива/матрицы
`expm1`()	Поэлементный expm1.
`floor`()	Поэлементное округление вниз.
`log1p`()	Поэлементный log1p.
`max`([axis, out, explicit])	Возвращает максимум массива/матрицы или максимум вдоль оси.
`maximum`(other)	Поэлементный максимум между этим и другим массивом/матрицей.
`mean`([axis, dtype, out])	Вычисляет среднее арифметическое вдоль указанной оси.
`min`([axis, out, explicit])	Возвращает минимум массива/матрицы или максимум вдоль оси.
`minimum`(other)	Поэлементный минимум между этим и другим массивом/матрицей.
`multiply`(other)	Поэлементное умножение на другой массив/матрицу.
`nanmax`([axis, out, explicit])	Вернуть максимум, игнорируя любые NaN, вдоль оси.
`nanmin`([axis, out, explicit])	Возвращает минимум, игнорируя любые NaN, вдоль оси.
`nonzero`()	Ненулевые индексы массива/матрицы.
`power`(n[, dtype])	Эта функция выполняет поэлементное возведение в степень.
`prune`()	Удалить пустое пространство после всех ненулевых элементов.
`rad2deg`()	Поэлементное преобразование радиан в градусы.
`reshape`(self, shape[, order, copy])	Придаёт новую форму разреженному массиву/матрице без изменения данных.
`resize`(*shape)	Изменить размер массива/матрицы на месте до размеров, заданных `shape`
`rint`()	Поэлементный rint.
`setdiag`(values[, k])	Установить диагональные или внедиагональные элементы массива/матрицы.
`sign`()	Поэлементный знак.
`sin`()	Поэлементный синус.
`sinh`()	Поэлементный sinh.
`sort_indices`()	Сортировать индексы этого массива/матрицы на месте
`sorted_indices`()	Вернуть копию этого массива/матрицы с отсортированными индексами
`sqrt`()	Поэлементное вычисление квадратного корня.
`sum`([axis, dtype, out])	Суммировать элементы массива/матрицы по заданной оси.
`sum_duplicates`()	Устранить дублирующиеся записи, складывая их вместе
`tan`()	Поэлементный тангенс.
`tanh`()	Поэлементный tanh.
`toarray`([order, out])	Возвращает плотное представление ndarray для этого разреженного массива/матрицы.
`tobsr`([blocksize, copy])	Преобразовать этот массив/матрицу в формат Block Sparse Row.
`tocoo`([copy])	Преобразование этого массива/матрицы в формат COOrdinate.
`tocsc`([copy])	Преобразовать этот массив/матрицу в формат сжатого разреженного столбца.
`tocsr`([copy])	Преобразовать этот массив/матрицу в формат сжатых строк (CSR).
`todense`([order, out])	Возвращает плотное представление этого разреженного массива.
`todia`([copy])	Преобразовать этот массив/матрицу в разреженный DIAгональный формат.
`todok`([copy])	Преобразовать этот массив/матрицу в формат Dictionary Of Keys.
`tolil`([copy])	Преобразовать этот массив/матрицу в формат List of Lists.
`trace`([offset])	Возвращает сумму по диагоналям разреженного массива/матрицы.
`transpose`([axes, copy])	Обращает размерности разреженного массива/матрицы.
`trunc`()	Поэлементное усечение.

__getitem__
__mul__

Примечания

Разреженные массивы можно использовать в арифметических операциях: они поддерживают сложение, вычитание, умножение, деление и возведение матрицы в степень.

Преимущества формата CSC

эффективные арифметические операции CSC + CSC, CSC * CSC и т.д.
эффективное срезывание столбцов
быстрые матрично-векторные произведения (CSR, BSR могут быть быстрее)

Недостатки формата CSC

медленные операции среза строк (рассмотрите CSR)
изменения в структуре разреженности дороги (рассмотрите LIL или DOK)

Канонический формат

Внутри каждого столбца индексы отсортированы по строкам.
Дублирующихся записей нет.

Примеры

>>> import numpy as np
>>> from scipy.sparse import csc_array
>>> csc_array((3, 4), dtype=np.int8).toarray()
array([[0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0]], dtype=int8)

>>> row = np.array([0, 2, 2, 0, 1, 2])
>>> col = np.array([0, 0, 1, 2, 2, 2])
>>> data = np.array([1, 2, 3, 4, 5, 6])
>>> csc_array((data, (row, col)), shape=(3, 3)).toarray()
array([[1, 0, 4],
       [0, 0, 5],
       [2, 3, 6]])

>>> indptr = np.array([0, 2, 3, 6])
>>> indices = np.array([0, 2, 2, 0, 1, 2])
>>> data = np.array([1, 2, 3, 4, 5, 6])
>>> csc_array((data, indices, indptr), shape=(3, 3)).toarray()
array([[1, 0, 4],
       [0, 0, 5],
       [2, 3, 6]])