Indexing scipy sparse A[：，0]=数据数组值错误

设置scipy稀疏数组的第一行

a[0，：]=np.ones（）

工作正常，
但是尝试将第一列设置为

A[：，0]=np.ones（）

会引发ValueError
这是scipy 1.5.2中的一个bug，还是我没有找到描述这个的文档

回答9月13日：这是一个已知的bug区域，请参阅 还有最新的。 但是，我没有用这个测试

A[：，0]

""" scipy sparse A[:,0] = ndarray ValueError """
# sparse A[0,:] = ndarray works, sparse A[:,0] = ndarray raises ValueError
# https://stackoverflow.com/search?q=[scipy] [sparse-matrix] ValueError  > 100

import numpy as np
from scipy import sparse
# import warnings
# warnings.simplefilter( "ignore", sparse.SparseEfficiencyWarning )

def versionstr():
    import numpy, scipy, sys
    return "versions: numpy %s  scipy %s  python %s " % (
        numpy.__version__, scipy.__version__ , sys.version.split()[0] )

print( versionstr() )  # 11 Sep 2020: numpy 1.19.2  scipy 1.5.2  python 3.7.6

#...........................................................................
n = 3
ones = np.ones( n )

for A in [
        np.eye(n),
        sparse.eye( n ).tolil(),
        sparse.eye( n ).tocsr(),
        sparse.eye( n ).tocsr(),
        ]:
    print( "\n-- A:", type(A).__name__, A.shape )
    print( "A[0,:] = ones" )
    A[0,:] = ones
    print( "A: \n", getattr( A, "A", A ))  # dense

        # first column = ones --
    if sparse.issparse( A ):
        A[:,0] = ones.reshape( n, 1 )   # ok
        A[:,0] = np.matrix( ones ).T    # ok
        A[range(n),0] = ones            # ok
    try:
        print( "A[:,0] = ones" )
        A[:,0] = ones                   # A dense ok, A sparse ValueError
    except ValueError as msg:
        print( "ValueError:", msg )
        # ValueError: cannot reshape array of size 9 into shape (3,1)

---

我可能会称之为bug，是的-这不是我所期望的行为。在引擎盖下，这看起来像是由

np.broadcast_array（）

驱动的，当填充数组密集时会调用它。此函数将一维数组视为二维（1，N）数组。基于numpy切片的行为，我原本预计如果大小正确，1d阵列将在不广播的情况下使用

列切片：

>>> np.broadcast_arrays(np.ones((3,1)), A[:,0].A)
[array([[1.],
       [1.],
       [1.]]), array([[1.],
       [0.],
       [0.]])]
>>> np.broadcast_arrays(np.ones((3,)), A[:,0].A)
[array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]]), array([[1., 1., 1.],
       [0., 0., 0.],
       [0., 0., 0.]])]
>>> np.broadcast_arrays(np.ones((1, 3)), A[:,0].A)
[array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]]), array([[1., 1., 1.],
       [0., 0., 0.],
       [0., 0., 0.]])]

行切片：

>>> np.broadcast_arrays(np.ones((3, )), A[0, :].A)
[array([[1., 1., 1.]]), array([[1., 0., 0.]])]
>>> np.broadcast_arrays(np.ones((3, 1)), A[0, :].A)
[array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]]), array([[1., 0., 0.],
       [1., 0., 0.],
       [1., 0., 0.]])]
>>> np.broadcast_arrays(np.ones((1, 3)), A[0, :].A)
[array([[1., 1., 1.]]), array([[1., 0., 0.]])]

---

我可能会称之为bug，是的-这不是我所期望的行为。在引擎盖下，这看起来像是由

np.broadcast_array（）

驱动的，当填充数组密集时会调用它。此函数将一维数组视为二维（1，N）数组。基于numpy切片的行为，我原本预计如果大小正确，1d阵列将在不广播的情况下使用

列切片：

>>> np.broadcast_arrays(np.ones((3,1)), A[:,0].A)
[array([[1.],
       [1.],
       [1.]]), array([[1.],
       [0.],
       [0.]])]
>>> np.broadcast_arrays(np.ones((3,)), A[:,0].A)
[array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]]), array([[1., 1., 1.],
       [0., 0., 0.],
       [0., 0., 0.]])]
>>> np.broadcast_arrays(np.ones((1, 3)), A[:,0].A)
[array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]]), array([[1., 1., 1.],
       [0., 0., 0.],
       [0., 0., 0.]])]

行切片：

>>> np.broadcast_arrays(np.ones((3, )), A[0, :].A)
[array([[1., 1., 1.]]), array([[1., 0., 0.]])]
>>> np.broadcast_arrays(np.ones((3, 1)), A[0, :].A)
[array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]]), array([[1., 0., 0.],
       [1., 0., 0.],
       [1., 0., 0.]])]
>>> np.broadcast_arrays(np.ones((1, 3)), A[0, :].A)
[array([[1., 1., 1.]]), array([[1., 0., 0.]])]