Python 3.x 有没有办法在Python3中形成稀疏的n维数组？

我对Python非常陌生，一直想知道是否有一种简单的方法可以让我在Python3中形成一个稀疏的n维数组M，主要需要以下两个条件（按照SciPy COO_矩阵）：

M[dim1，dim2，dim3，…]=1.0

像SciPy COO_矩阵M:M.row，M.col一样，我可能能够得到矩阵中存在非零项的所有行和列索引。在N维中，这推广到调用：M.1表示一维，M.2表示二维，依此类推

对于二维（2个条件）：

这两个条件可以在N维中推广吗？我搜索了一下，发现了这个：

但这里第二个条件不满足：换句话说，我不能得到矢量化格式的所有n维索引

还包括： 适用于python而不是python3

---

在满足上述两个条件的情况下，是否有方法实现n维数组？还是我把事情复杂化了？非常感谢您的帮助：）

本着

coo

格式的精神，我可以生成一个3d稀疏阵列表示：

In [106]: dims = 2,4,6
In [107]: data = np.zeros((10,4),int)
In [108]: data[:,-1] = 1
In [112]: for i in range(3):
     ...:     data[:,i] = np.random.randint(0,dims[i],10)

In [113]: data
Out[113]: 
array([[0, 2, 3, 1],
       [0, 3, 4, 1],
       [0, 0, 1, 1],
       [0, 3, 0, 1],
       [1, 1, 3, 1],
       [1, 0, 2, 1],
       [1, 1, 2, 1],
       [0, 2, 5, 1],
       [0, 1, 5, 1],
       [0, 1, 2, 1]])

这符合你的要求吗？可能有一些重复的

sparse.coo

在将数组转换为稠密以显示之前对重复项求和，或转换为

csr

以进行计算

相应的密集阵列为：

In [130]: A=np.zeros(dims, int)
In [131]: for row in data:
     ...:     A[tuple(row[:3])] += row[-1]

In [132]: A
Out[132]: 
array([[[0, 1, 0, 0, 0, 0],
        [0, 0, 1, 0, 0, 1],
        [0, 0, 0, 1, 0, 1],
        [1, 0, 0, 0, 1, 0]],

       [[0, 0, 1, 0, 0, 0],
        [0, 0, 1, 1, 0, 0],
        [0, 0, 0, 0, 0, 0],
        [0, 0, 0, 0, 0, 0]]])

（本例中无重复项）

使用该数据子集的二维稀疏矩阵是

In [118]: sparse.coo_matrix((data[:,3],(data[:,1],data[:,2])),(4,6)).A
Out[118]: 
array([[0, 1, 1, 0, 0, 0],
       [0, 0, 2, 1, 0, 1],
       [0, 0, 0, 1, 0, 1],
       [1, 0, 0, 0, 1, 0]])

这实际上是第一维的和

---

我想

M[dim1,dim2,dim3,...] = 1.0

表示数组的非零元素的数据值必须为1

Pandas具有稀疏数据系列和数据帧格式。允许非零“填充”值。我不知道多索引版本是否可以被认为高于2d。在将Pandas稀疏阵列转换为scipy稀疏阵列或从scipy稀疏阵列转换为Pandas稀疏阵列方面存在一些问题

---

您当然可以创建一个基于

coo

（每个维度的列）或

dok

的数据结构。你可以用符合你条件的方式来填充它。但是，如果不进行大量编码，是否可以使用它做任何有用的事情（乘法、显示等）是一个更难的问题。首先，使用

scipy.sparse

2d代码演示您的条件。scipy有不同的初始化稀疏矩阵的方法，它们可以相互转换。但是你似乎在寻找一个稀疏的矩阵，但是1是任何稀疏元素的值。这根本行不通，因为稀疏矩阵的优化是基于稀疏单元格为零的事实。@hpaulj，我根据您的评论进行了编辑。希望现在更清楚一点。“我现在正在读你的答案。”鲁迪夫，我不是那个意思。M是稀疏的N维稀疏数组，非零值为1.0，所有其他值为0.0

M[dim1,dim2,dim3,...] = 1.0