这篇文章主要介绍“scipy稀疏数组dok_array如何使用”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“scipy稀疏数组dok_array如何使用”文章能帮助大家解决问题。
dok数组就是通过键值对存储的数组，其中key就是矩阵中的坐标元组，value就是对应坐标中的值，是最容易理解的稀疏矩阵存储方案。
>>> import numpy as np >>> from scipy.sparse import dok_array >>> dok = dok_array((5, 5), dtype=np.float32) >>> for i in range(5): ... for j in range(5): ... dok[i, j] = i + j # Update element ... >>> print(dok.toarray()) [[0. 1. 2. 3. 4.] [1. 2. 3. 4. 5.] [2. 3. 4. 5. 6.] [3. 4. 5. 6. 7.] [4. 5. 6. 7. 8.]]
得到结果为
从上面的代码来看，其等价形式如下，唯一的区别是，对于一个全0的矩阵，array必须将所有0都存储下来，而dok数组可以不存储任何有效值。但对于全都不是0的矩阵，dok除了存储矩阵的值之外，还要将矩阵的坐标重新写一边，相当于数据量翻了三倍。
>>> Z = np.zeros([5,5]) >>> for i in range(5): ... for j in range(5): ... Z[i, j] = i + j # Update element ... >>> print(Z) [[0. 1. 2. 3. 4.] [1. 2. 3. 4. 5.] [2. 3. 4. 5. 6.] [3. 4. 5. 6. 7.] [4. 5. 6. 7. 8.]]
dok仅支持三种初始化方案：
dok_array(D) D是一个稀疏数组或2 × D 2\times D2×D数组
dok_array(S) S是另一种稀疏数组。
dok_array((M, N),dtype='d') 创建一个shape为( M , N ) (M, N)(M,N)的空数组，dtype为数据类型
稀疏数组在计算上并不便捷，所以dok_array中内置了下列函数，可以高效地完成计算。
| 函数 | expm1, log1p, sqrt, pow, sign |
| 三角函数 | sin, tan, arcsin, arctan, deg2rad, rad2deg |
| 双曲函数 | sinh, tanh, arcsinh, arctanh |
| 索引 | getcol, getrow, nonzero, argmax, argmin, max, min |
| 舍入 | ceil, floor, trunc |
| 变换 | conj, conjugate, getH |
| 统计 | count_nonzero, getnnz, mean, sum |
| 矩阵 | diagonal, trace |
| 获取属性 | get_shape, getformat |
| 计算比较 | multiply, dot, maximum, minimum |
| 转换 | asformat, asfptype, astype, toarray, todense |
| 转换 | tobsr, tocoo, tocsc, tocsr, todia, todok, tolil |
| 更改维度 | set_shape, reshape, resize, transpose |
| 排序 | sort_indices, sorted_indices |
| 移除元素 | eliminate_zeros, prune, sum_duplicates |
| 其他 | copy, check_format, getmaxprint, rint, setdiag |
关于“scipy稀疏数组dok_array如何使用”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注亿速云行业资讯频道，小编每天都会为大家更新不同的知识点。
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。
