python - Scipy 稀疏矩阵 - 不同实现的目的和用法

Question

Scipy 有 many different types of sparse matrices available .这些类型之间最重要的区别是什么，它们的预期用途有什么区别？

我正在基于 Matlab 中的示例代码¹ 在 python 中开发代码。代码的一部分使用了稀疏矩阵——它在 Matlab 中似乎有一个(烦人的)类型，我试图弄清楚我应该在 python 中使用哪种类型²。

---

1:这是一个类。大多数人都在 Matlab 中做这个项目，但我喜欢制造不必要的工作和困惑 --- 显然。

2:这是一个学术问题:我的代码与 ' CSR 一起正常工作' 格式，但我很想知道最佳用法是什么。

Answer 1

抱歉，如果我回答得不够完整，但希望我能提供一些见解。

CSC(压缩稀疏列)和 CSR(压缩稀疏行)更加紧凑和高效，但难以“从头开始”构建。 Coo (Coordinate) 和 DOK (Dictionary of Keys) 更容易构造，然后可以通过 matrix.tocsc() 或 matrix.tocsr() 转换为 CSC 或 CSR >.

CSC 在访问列向量或列操作方面通常更有效，因为它通常存储为列数组及其每行的值。

企业社会责任矩阵正好相反；存储为行数组及其每列的值，并且在访问行向量或行操作时更有效。