在numpy中组合稀疏阵列和遮罩阵列

有没有一种方便的方法可以在稀疏矩阵上使用屏蔽数组

因为在使用scipy稀疏矩阵创建遮罩阵列时，遮罩似乎不起作用

---

一个典型的应用是邻接矩阵，其中的值可以是{0,1，}，用于表示网络中的链接{0,1}，而未知/看不见的值{}，用于预测。

我并不奇怪，试图为屏蔽提供稀疏矩阵是行不通的。少数使用稀疏函数的

numpy

函数是将任务委托给稀疏代码的函数

也许可以用

data

属性作为掩码数组来构造

coo

格式矩阵，但我怀疑这是否有效。未屏蔽的代码通常会忽略屏蔽

掩码数组是一个

ndarray

子类，它维护两个属性，数据和掩码，两者都是数组。许多屏蔽方法的工作原理是用合适的值（0表示总和，1表示乘积）填充屏蔽值，并执行规则数组计算

稀疏矩阵不是

ndarray

子类。一种格式实际上是字典子类。大多数将数据存储在3个数组中，即2个坐标和数据。与非稀疏数组的交互通常涉及

todense（）

将操作转换为常规

numpy

操作

设计上没有互操作性。如果某件事真的起作用，那可能是因为某种巧合的方法授权

比如说

In [85]: A=sparse.coo_matrix(np.eye(3))
In [86]: M=np.ma.masked_array(np.eye(3))
In [87]: A+M
Out[87]: 
masked_array(data =
 [[ 2.  0.  0.]
 [ 0.  2.  0.]
 [ 0.  0.  2.]],
             mask =
 False,
       fill_value = 1e+20)

In [88]: M+A
NotImplementedError: adding a nonzero scalar to a sparse matrix is not supported

我本以为

M+A

会起作用，但从我的理解来看，它是在一个遮罩上增加稀疏。但有时

x+y

实际上是作为

y来实现的<代码>A+np.eye（3）

在这两种顺序中都起作用。

文档提到某些操作可能有副作用。使用

numpy.ma.filled

如何根据掩码和填充值将掩码数组转换为普通数组？