python - 忽略稀疏矩阵中的重复条目

Question

我已尝试从 (data, (rows, cols)) 值列表中初始化 csc_matrix 和 csr_matrix 作为文档建议。

sparse = csc_matrix((data, (rows, cols)), shape=(n, n))

问题是，我实际拥有的用于生成 data、rows 和 cols 向量的方法在某些点上引入了重复项。默认情况下，scipy 添加重复条目的值。但是，就我而言，对于给定的 (row, col)，这些重复项在 data 中具有完全相同的值。

我想要实现的是让 scipy 忽略第二个条目(如果已经存在)，而不是添加它们。

忽略我可以改进生成算法以避免生成重复项这一事实，是否有参数或其他方法来创建忽略重复项的稀疏矩阵？

目前有两个条目 data = [4, 4];列 = [1, 1]; rows = [1, 1]; 生成一个稀疏矩阵，其 (1,1) 处的值为 8 而所需值为 4.

>>> c = csc_matrix(([4, 4], ([1,1],[1,1])), shape=(3,3))
>>> c.todense()
matrix([[0, 0, 0],
        [0, 8, 0],
        [0, 0, 0]])

我也知道我可以使用二维 numpy unique 函数来过滤它们，但是列表非常大，所以这不是一个真正有效的选项。

问题的其他可能答案:是否有任何方法可以指定如何处理重复项？即保留 min 或 max 而不是默认的 sum?

Answer 1

创建中间 dok 矩阵适用于您的示例:

In [410]: c=sparse.coo_matrix((data, (cols, rows)),shape=(3,3)).todok().tocsc()

In [411]: c.A
Out[411]: 
array([[0, 0, 0],
       [0, 4, 0],
       [0, 0, 0]], dtype=int32)

coo 矩阵将您的输入数组放入其data、col、row 属性中，而无需更改。在转换为 csc 之前不会进行求和。

todok 直接从 coo 属性加载字典。它创建空白的 dok 矩阵，并填充它:

dok.update(izip(izip(self.row,self.col),self.data))

所以如果有重复的 (row,col) 值，它就是最后一个剩下的值。这使用标准的 Python 字典哈希来查找唯一键。

---

这是使用np.unique 的一种方式。我必须构造一个特殊的对象数组，因为 unique 对 1d 进行操作，而我们有一个 2d 索引。

In [479]: data, cols, rows = [np.array(j) for j in [[1,4,2,4,1],[0,1,1,1,2],[0,1,2,1,1]]]

In [480]: x=np.zeros(cols.shape,dtype=object)

In [481]: x[:]=list(zip(rows,cols))

In [482]: x
Out[482]: array([(0, 0), (1, 1), (2, 1), (1, 1), (1, 2)], dtype=object)

In [483]: i=np.unique(x,return_index=True)[1]

In [484]: i
Out[484]: array([0, 1, 4, 2], dtype=int32)

In [485]: c1=sparse.csc_matrix((data[i],(cols[i],rows[i])),shape=(3,3))

In [486]: c1.A
Out[486]: 
array([[1, 0, 0],
       [0, 4, 2],
       [0, 1, 0]], dtype=int32)

我不知道哪种方法更快。

---

根据 liuengo 的 链接获取唯一索引的另一种方法:

rc = np.vstack([rows,cols]).T.copy()
dt = rc.dtype.descr * 2
i = np.unique(rc.view(dt), return_index=True)[1]

rc 必须拥有自己的数据才能通过 View 更改数据类型，因此 .T.copy()。

In [554]: rc.view(dt)
Out[554]: 
array([[(0, 0)],
       [(1, 1)],
       [(2, 1)],
       [(1, 1)],
       [(1, 2)]], 
      dtype=[('f0', '<i4'), ('f1', '<i4')])