佛山做网站的公司有哪些,重庆网站外包,南京网站设计外包,公司创建一个网站需要多少钱强大到没有朋友的科学计算库#xff0c;不知道怎么介绍ta#xff01;大牛张若愚出了厚本的《Python 科学计算》第二版里面包罗万象#xff0c;就不做搬运工了#xff0c;尽快开工pandas。来一弹在NLP自然语言处理中用到的稀疏矩阵处理#xff1a;# coding: utf-8# # 稀疏矩…强大到没有朋友的科学计算库不知道怎么介绍ta大牛张若愚出了厚本的《Python 科学计算》第二版里面包罗万象就不做搬运工了尽快开工pandas。来一弹在NLP自然语言处理中用到的稀疏矩阵处理# coding: utf-8# # 稀疏矩阵# Scipy 提供了稀疏矩阵的支持(scipy.sparse)。## 稀疏矩阵主要使用 位置 值 的方法来存储矩阵的非零元素根据存储和使用方式的不同有如下几种类型的稀疏矩阵## 类型|描述# ---|----# bsr_matrix(arg1[, shape, dtype, copy, blocksize])| Block Sparse Row matrix# coo_matrix(arg1[, shape, dtype, copy])| A sparse matrix in COOrdinate format.# csc_matrix(arg1[, shape, dtype, copy])| Compressed Sparse Column matrix# csr_matrix(arg1[, shape, dtype, copy])| Compressed Sparse Row matrix# dia_matrix(arg1[, shape, dtype, copy])| Sparse matrix with DIAgonal storage# dok_matrix(arg1[, shape, dtype, copy])| Dictionary Of Keys based sparse matrix.# lil_matrix(arg1[, shape, dtype, copy])| Row-based linked list sparse matrix## 在这些存储格式中## - COO 格式在构建矩阵时比较高效# - CSC 和 CSR 格式在乘法计算时比较高效# ## 构建稀疏矩阵# In[1]:from scipy.sparse import *import numpy as np# 创建一个空的稀疏矩阵# In[2]:coo_matrix((2,3))# 也可以使用一个已有的矩阵或数组或列表中创建新矩阵# In[4]:A coo_matrix([[1,2,0],[0,0,3],[4,0,5]])print(A)# 不同格式的稀疏矩阵可以相互转化# In[5]:type(A)# In[6]:B A.tocsr()type(B)# 可以转化为普通矩阵# In[7]:C A.todense()C# 与向量的乘法# In[8]:v np.array([1,0,-1])A.dot(v)# 还可以传入一个 (data, (row, col)) 的元组来构建稀疏矩阵# In[9]:I np.array([0,3,1,0])J np.array([0,3,1,2])V np.array([4,5,7,9])A coo_matrix((V,(I,J)),shape(4,4))# In[11]:print(A)# COO 格式的稀疏矩阵在构建的时候只是简单的将坐标和值加到后面对于重复的坐标不进行处理# In[13]:I np.array([0,0,1,3,1,0,0])J np.array([0,2,1,3,1,0,0])V np.array([1,1,1,1,1,1,1])B coo_matrix((V,(I,J)),shape(4,4))print(B)# 转换成 CSR 格式会自动将相同坐标的值合并# In[15]:C B.tocsr()print(C)# ## 求解微分方程# In[16]:from scipy.sparse import lil_matrixfrom scipy.sparse.linalg import spsolvefrom numpy.linalg import solve, normfrom numpy.random import rand# 构建 1000 x 1000 的稀疏矩阵# In[17]:A lil_matrix((1000, 1000))A[0, :100] rand(100)A[1, 100:200] A[0, :100]A.setdiag(rand(1000))# 转化为 CSR 之后用 spsolve 求解 $Axb$# In[18]:A A.tocsr()b rand(1000)x spsolve(A, b)# 转化成正常数组之后求解# In[19]:x_ solve(A.toarray(), b)# 查看误差# In[20]:err norm(x-x_)err# ## sparse.find 函数# 返回一个三元组表示稀疏矩阵中非零元素的 (row, col, value)# In[22]:from scipy import sparserow, col, val sparse.find(C)print(row, col, val)# ## sparse.issparse 函数# 查看一个对象是否为稀疏矩阵# In[23]:sparse.issparse(B)# 或者# In[24]:sparse.isspmatrix(B.todense())# 还可以查询是否为指定格式的稀疏矩阵# In[25]:sparse.isspmatrix_coo(B)# In[26]:sparse.isspmatrix_csr(B)胶水语言博大精深本主只得一二为新人带路新手可查阅历史目录yeayeePython数据分析及可视化实例目录zhuanlan.zhihu.com最后别只收藏不关注哈
