Python 在scipy中创建稀疏矩阵时覆盖而不是添加重复的三元组

在scipy中，要从三重格式数据（行、列和数据数组）创建稀疏矩阵，默认行为是对所有重复项的数据值求和。我是否可以将此行为改为覆盖（或不执行任何操作）

例如：

import scipy.sparse as sparse

rows = [0, 0]
cols = [0, 0]
data = [1, 1]
S = sparse.coo_matrix((data, (rows, cols)))

这里，

S.todense（）

等于

matrix（[[2]]）

，但我希望它是

matrix（[[1]]）

在书中，它是这样写的

默认情况下，转换为CSR或CSC格式时，复制（i，j） 条目将汇总在一起。这有助于提高效率 构造有限元矩阵等

---

从这个公式看来，除了默认值之外，可能还有其他选项。

我在scipy github上看到过关于对这个求和进行更多控制的讨论，但我不知道有任何生产更改。正如文件所指出的，对重复项求和的传统由来已久

创建时，

coo

矩阵不求和；它只是将您的参数指定给其属性：

In [697]: S = sparse.coo_matrix((data, (rows, cols)))
In [698]: S.data
Out[698]: array([1, 1])
In [699]: S.row
Out[699]: array([0, 0], dtype=int32)
In [700]: S.col
Out[700]: array([0, 0], dtype=int32)

转换为密集型（或csr/csc）不会求和，但不会改变

S

本身：

In [701]: S.A
Out[701]: array([[2]])
In [702]: S.data
Out[702]: array([1, 1])

您可以通过以下方式就地执行求和：

In [703]: S.sum_duplicates()
In [704]: S.data
Out[704]: array([2], dtype=int32)

我不知道如何删除重复项或绕过该操作。我可以查一下有关的问题

=================

S.todok（）

执行一个就地求和（即，更改

S

）。看着那段代码，我看到它调用了self.sum\u duplicates。以下复制了不包含总和的情况：

In [727]: dok=sparse.dok_matrix((S.shape),dtype=S.dtype)
In [728]: dok.update(zip(zip(S.row,S.col),S.data))
In [729]: dok
Out[729]: 
<1x1 sparse matrix of type '<class 'numpy.int32'>'
    with 1 stored elements in Dictionary Of Keys format>
In [730]: print(dok)
  (0, 0)    1
In [731]: S
Out[731]: 
<1x1 sparse matrix of type '<class 'numpy.int32'>'
    with 2 stored elements in COOrdinate format>
In [732]: dok.A
Out[732]: array([[1]])

[727]中的

：dok=sparse.dok_矩阵（（S.shape），dtype=S.dtype）
在[728]中：dok.update（zip（zip（S.row，S.col，S.data））
In[729]：dok
出[729]：
In[730]：打印（dok）
(0, 0)    1
In[731]：S
出[731]：
在[732]中：dok.A
Out[732]：数组（[[1]]）

这是一个字典更新，因此最终值是最后一个重复项。我在别处发现，

dok.update

是向稀疏矩阵添加值的一种非常快速的方法

---

tocsr

本质上做总和<代码>收费使用

tocsr

；因此，这种

todok

方法可能是最简单的

如果只希望值为1：

S.sum_duplicates()
S.data[:]=1