温馨提示×

温馨提示×

您好,登录后才能下订单哦!

密码登录×
登录注册×
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》

稀疏矩阵的转置与快速转置

发布时间:2020-07-11 21:54:57 来源:网络 阅读:386 作者:稻草阳光L 栏目:开发技术

  假设在m*n的矩阵中,有t个元素不为0。令稀疏因子s=t/(m*n),通常认为s<0.05时称为稀疏矩阵。

 有时为了节省存储空间,可以对这类矩阵进行压缩存储。所谓的压缩存储就是,为多个相同的值分配存储在一个空间,对零元不分配空间。而稀疏矩阵是只存储有效值,无效值只分配一个空间。

  在这里我们用一个顺序表vector存储稀疏矩阵的有效值的行,列,值三个元素。

struct Triple
{
	int _cow;
	int _col;
	T _value;
	Triple(int cow,int col,T value)
		:_cow(cow)
		, _col(col)
		, _value(value)
	{}
	Triple()
		:_cow(0)
		, _col(0)
	{

	}
};
class SparseMatrix
{
public:
	SparseMatrix(T* a, int m, int n, const T& invalid)
		:_cow(m)
		, _col(n)
		, _invalue(invalid)
	{
		for (int i = 0; i < m; ++i)
		{
			for (int j = 0; j < n; ++j)
			{
				if (a[i*n + j] != invalid)
				{
					Triple<T> tmp(i, j, a[i*n + j]);
					_a.push_back(tmp);
				}
			}
		}
	}
protected:
	vector<Triple<T>> _a;
	int _cow;//矩阵行数
	int _col;//矩阵列数
	T _invalue;//无效值
};

 下面我们来讨论一下稀疏矩阵的转置,转置运算时最简单的一种矩阵运算。要得到转置矩阵,我们只要做到三点。

  1.  将矩阵的行列值相互交换

  2. 每个三元组的i和j相互交换

  3. 重排三元组之间的次序便可以实现转置


  1. SparseMatrix<T> Transport()
    	{
    		SparseMatrix<T> tmp;
    		tmp._cow = _col;
    		tmp._col = _cow;
    		tmp._invalue = _invalue;
    		for (size_t i = 0; i < _col; ++i)//遍历每一列,找到每一列有效值
    		{
    			size_t index = 0;
    			while (index < _a.size())
    			{
    				if (_a[index]._col == i)
    				{
    					Triple<T> tp;
    					tp._col = _a[index]._cow;
    					tp._cow = _a[index]._col;
    					tp._value = _a[index]._value;
    					tmp._a.push_back(tp);
    				}
    				index++;
    			}
    		}
    		return tmp;
    	}

  对于矩阵的转置,我们首先得要了解转置后行列的变化。转置前的行变成了转置后的列。对于三元组顺序表中的元素是遵循行优先存储的。所以要得到转置后的每一行的有效值,只要循环遍历转置前的每一列即可。

  矩阵的转置可以优化,使用快速转置。

SparseMatrix<T> FastTransport()
	{
		SparseMatrix<T> tmp;
		tmp._cow = _col;
		tmp._col = _cow;
		tmp._invalue = _invalue;
		tmp._a.resize(_a.size());
		int* cowCount = new int[_col];
		int* cowStart = new int[_col];
		memset(cowCount, 0, sizeof(int)*_col);
		memset(cowStart, 0, sizeof(int)*_col);
		size_t index = 0;
		while (index < _a.size())
		{
			cowCount[_a[index++]._col]++;
			cowStart[0];
			for (size_t i = 1; i < _col; ++i)
			{
				cowStart[i] = cowStart[i - 1] + cowCount[i - 1];
			}
		}
		index = 0;
		while (index < _a.size())
		{
			int& cowBegin = cowStart[_a[index]._col];
			Triple<T> tp;
			tp._col = _a[index]._cow;
			tp._cow = _a[index]._col;
			tp._value = _a[index]._value;
			tmp._a[cowBegin] = tp;
			cowBegin++;
			index++;
		}
		return tmp;
	}

  快速转置的思想是开辟两个数组用来存每一行有效值的个数,另一个用来存每个有效值在转置后顺序表vector中的起始位置。使用数组可以快速找到有效数据在转置后顺序表中的位置

  以下是完整代码:

#pragma once
#include<iostream>
#include<vector>
using namespace std;
template<class T>
struct Triple
{
	int _cow;
	int _col;
	T _value;
	Triple(int cow,int col,T value)
		:_cow(cow)
		, _col(col)
		, _value(value)
	{}
	Triple()
		:_cow(0)
		, _col(0)
	{

	}
};


template<class T>
class SparseMatrix
{
public:
	SparseMatrix(T* a, int m, int n, const T& invalid)
		:_cow(m)
		, _col(n)
		, _invalue(invalid)
	{
		for (int i = 0; i < m; ++i)
		{
			for (int j = 0; j < n; ++j)
			{
				if (a[i*n + j] != invalid)
				{
					Triple<T> tmp(i, j, a[i*n + j]);
					_a.push_back(tmp);
				}
			}
		}
	}
	SparseMatrix()
		:_cow(0)
		, _col(0)
	{}
	SparseMatrix<T> Transport()
	{
		SparseMatrix<T> tmp;
		tmp._cow = _col;
		tmp._col = _cow;
		tmp._invalue = _invalue;
		for (size_t i = 0; i < _col; ++i)
		{
			size_t index = 0;
			while (index < _a.size())
			{
				if (_a[index]._col == i)
				{
					Triple<T> tp;
					tp._col = _a[index]._cow;
					tp._cow = _a[index]._col;
					tp._value = _a[index]._value;
					tmp._a.push_back(tp);
				}
				index++;
			}
		}
		return tmp;
	}
	SparseMatrix<T> FastTransport()
	{
		SparseMatrix<T> tmp;
		tmp._cow = _col;
		tmp._col = _cow;
		tmp._invalue = _invalue;
		tmp._a.resize(_a.size());
		int* cowCount = new int[_col];
		int* cowStart = new int[_col];
		memset(cowCount, 0, sizeof(int)*_col);
		memset(cowStart, 0, sizeof(int)*_col);
		size_t index = 0;
		while (index < _a.size())
		{
			cowCount[_a[index++]._col]++;
			cowStart[0];
			for (size_t i = 1; i < _col; ++i)
			{
				cowStart[i] = cowStart[i - 1] + cowCount[i - 1];
			}
		}
		index = 0;
		while (index < _a.size())
		{
			int& cowBegin = cowStart[_a[index]._col];
			Triple<T> tp;
			tp._col = _a[index]._cow;
			tp._cow = _a[index]._col;
			tp._value = _a[index]._value;
			tmp._a[cowBegin] = tp;
			cowBegin++;
			index++;
		}
		return tmp;
	}
	void Display()
	{
		size_t index = 0;
		for (int i = 0; i < _cow; i++)
		{
			for (int j = 0; j < _col; j++)
			{
				if (index < _a.size()//此处必须加index<_a.size()这个条件,
					//并且在最前面访问到最后一个有效值后再_a[index]会访问越界
					&&_a[index]._cow == i && _a[index]._col == j)
				{
					cout << _a[index]._value << " ";
					++index;
				}
				else
				{
					cout << _invalue << " ";
				}
			}
			cout << endl;
		}
		cout << endl;
	}

protected:
	vector<Triple<T>> _a;
	int _cow;//矩阵行数
	int _col;//矩阵列数
	T _invalue;
};


向AI问一下细节

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

AI