Python 2.7 规范化矩阵行scipy矩阵
我希望规范化从networkx有向图获得的稀疏scipy矩阵的每一行Python 2.7 规范化矩阵行scipy矩阵,python-2.7,scipy,Python 2.7,Scipy,我希望规范化从networkx有向图获得的稀疏scipy矩阵的每一行 import networkx as nx import numpy as np G=nx.random_geometric_graph(10,0.3) M=nx.to_scipy_sparse_matrix(G, nodelist=G.nodes()) from __future__ import division print(M[3]) (0, 1) 1 (0, 5) 1
import networkx as nx
import numpy as np
G=nx.random_geometric_graph(10,0.3)
M=nx.to_scipy_sparse_matrix(G, nodelist=G.nodes())
from __future__ import division
print(M[3])
(0, 1) 1
(0, 5) 1
print(M[3].multiply(1/M[3].sum()))
(0, 1) 0.5
(0, 5) 0.5
这是好的,我像往常一样正常化,它的工作所需。
但如果我写:
>>> M[3]=M[3].multiply(1/M[3].sum())
>>> M[3]
<1x10 sparse matrix of type '<type 'numpy.int64'>'
with 10 stored elements in Compressed Sparse Row format>
(0, 0) 0
(0, 1) 0
(0, 2) 0
(0, 3) 0
(0, 4) 0
(0, 5) 0
(0, 6) 0
(0, 7) 0
(0, 8) 0
(0, 9) 0
>M[3]=M[3]。乘法(1/M[3]。求和()
>>>M[3]
(0, 0) 0
(0, 1) 0
(0, 2) 0
(0, 3) 0
(0, 4) 0
(0, 5) 0
(0, 6) 0
(0, 7) 0
(0, 8) 0
(0, 9) 0
我只需要对每一行进行迭代,并对稀疏的scipy矩阵进行规格化。
你会怎么做?
谢谢这里有一个方法(来自networkx.pagerank\u scipy)。它使用scipy线性代数函数,而不是迭代每一行。对于大型图形,这可能会更快
In [42]: G=nx.random_geometric_graph(5,0.5)
In [43]: M=nx.to_scipy_sparse_matrix(G, nodelist=G.nodes(), dtype=float)
In [44]: M.todense()
Out[44]:
matrix([[ 0., 1., 0., 1., 1.],
[ 1., 0., 0., 0., 1.],
[ 0., 0., 0., 1., 1.],
[ 1., 0., 1., 0., 1.],
[ 1., 1., 1., 1., 0.]])
In [45]: S = scipy.array(M.sum(axis=1)).flatten()
In [46]: S[S != 0] = 1.0 / S[S != 0]
In [47]: Q = scipy.sparse.spdiags(S.T, 0, *M.shape, format='csr')
In [48]: (Q*M).todense()
Out[48]:
matrix([[ 0. , 0.33333333, 0. , 0.33333333, 0.33333333],
[ 0.5 , 0. , 0. , 0. , 0.5 ],
[ 0. , 0. , 0. , 0.5 , 0.5 ],
[ 0.33333333, 0. , 0.33333333, 0. , 0.33333333],
[ 0.25 , 0.25 , 0.25 , 0.25 , 0. ]])
原因是什么
print(M[3].multiply(1/M[3].sum()))
产生预期结果,以及
M[3]=M[3].multiply(1/M[3].sum())
产生零是因为M
是一个整数数组,
。只要我们不尝试将规范分配回M
,这就不是问题
如果M.A
array([[0, 1, 0, 1, 1],
[1, 0, 0, 0, 1],
[0, 0, 0, 1, 1],
[1, 0, 1, 0, 1],
[1, 1, 1, 1, 0]], dtype=int32)
列的总和为:Msum=M.sum(轴=1)
。它是稠密的
matrix([[3],
[2],
[2],
[3],
[4]], dtype=int32)
反之亦然:
Mnorm = 1/Msum
matrix([[ 0.33333333],
[ 0.5 ],
[ 0.5 ],
[ 0.33333333],
[ 0.25 ]])
M.multiply(Mnorm)
非常密集(就像设置M.multiply
的方式一样)。但是要使范数稀疏,乘积也是稀疏的
M1 = M.multiply(sparse.csr_matrix(Mnorm))
<5x5 sparse matrix of type '<class 'numpy.float64'>'
with 14 stored elements in Compressed Sparse Row format>
M1.A
array([[ 0. , 0.33333333, 0. , 0.33333333, 0.33333333],
[ 0.5 , 0. , 0. , 0. , 0.5 ],
[ 0. , 0. , 0. , 0.5 , 0.5 ],
[ 0.33333333, 0. , 0.33333333, 0. , 0.33333333],
[ 0.25 , 0.25 , 0.25 , 0.25 , 0. ]])
A = M.A
A/np.sum(A, axis=1, keepdims=True)