訪問coo_matrix中的元素

Question

這是一個非常簡單的問題。對於像coo_matrix這樣的SciPy稀疏矩陣，如何訪問單個元素？

給出Eigen線性代數庫的一個類比。

myMatrix.coeffRef(i,j) 

Answer 1

從文檔的coo_matrix：人們可以使用coeffRef如下訪問元素（I，J）

| Intended Usage 
|  - COO is a fast format for constructing sparse matrices 
|  - Once a matrix has been constructed, convert to CSR or 
|  CSC format for fast arithmetic and matrix vector operations 
|  - By default when converting to CSR or CSC format, duplicate (i,j) 
|  entries will be summed together. This facilitates efficient 
|  construction of finite element matrices and the like. (see example) 

事實上，csr_matrix支持按照預期方式進行索引：

>>> from scipy.sparse import coo_matrix 
>>> m = coo_matrix([[1, 2, 3], [4, 5, 6]]) 
>>> m1 = m.tocsr() 
>>> m1[1, 2] 
6 
>>> m1 
<2x3 sparse matrix of type '<type 'numpy.int64'>' 
    with 6 stored elements in Compressed Sparse Row format> 

（我發現文檔中的上述引用的方式爲>>> help(m)，相當於the online docs）。

Answer 2

爲了擴展一個coo矩陣轉換爲csr索引，這裏有一些定時對於小稀疏矩陣

使基質

In [158]: M=sparse.coo_matrix([[0,1,2,0,0],[0,0,0,1,0],[0,1,0,0,0]]) 

In [159]: timeit M[1,2] 
TypeError: 'coo_matrix' object is not subscriptable 

In [160]: timeit M.tocsc()[1,2] 
1000 loops, best of 3: 375 µs per loop 

In [161]: timeit M.tocsr()[1,2] 
1000 loops, best of 3: 241 µs per loop 

In [162]: timeit M.todok()[1,2] 
10000 loops, best of 3: 65.8 µs per loop 

In [163]: timeit M.tolil()[1,2] 
1000 loops, best of 3: 270 µs per loop 

顯然用於選擇單個元件，dok，是fastests （計算轉換時間）。這種格式實際上是一個字典，當然有快速的元素訪問。

但是，如果您經常訪問整行或整列或迭代行或列，則需要更仔細地閱讀文檔，並可能對自己的典型陣列進行時間測試。

如果您正在設置值，而不僅僅是讀取它們，時間點甚至實施可能會有所不同。如果您嘗試更改csr或csc格式的0元素，則會收到效率警告。