Python MATLAB的numpy/scipy等价物'；s稀疏函数

我正在用Python和numpy和scipy移植一个MATLAB代码，我需要在MATLAB中使用与稀疏函数等价的numpy/scipy

这是MATLAB中稀疏函数的用法

sparse([3; 2], [2; 4], [3; 0])

给出：

Trial>> m = sparse([3; 2], [2; 4], [3; 0])

    m =

       (3,2)        3

    Trial>> full(m)

    ans =

         0     0     0     0
         0     0     0     0
         0     3     0     0

我有这些，但它们没有给出MATLAB版本的功能

sps.csr_matrix([3, 2], [2, 4], [3, 0])
sps.csr_matrix(np.array([[3], [2]]), np.array([[2], [4]]), np.array([[3], [0]])) 
sps.csr_matrix([[3], [2]], [[2], [4]], [[3], [0]])  

有什么想法吗？ 谢谢。

您使用的是表格[注意：链接指向GNU倍频程文档，而不是Matlab]。scipy.sparse的等价物是——是的，一个参数是一个包含向量和向量的2元组的2元组。您还必须更正索引向量，因为Python始终使用基于0的索引

>>> m = sps.csr_matrix(([3,0], ([2,1], [1,3]))); m
<3x4 sparse matrix of type '<class 'numpy.int64'>'
    with 2 stored elements in Compressed Sparse Row format>

>>> m.todense()
matrix([[0, 0, 0, 0],
        [0, 0, 0, 0],
        [0, 3, 0, 0]], dtype=int64)

您也可以将

[3,0]

更改为

[3,0.]

，但我建议使用显式

dtype=

参数，因为这样可以防止在输入真实数据时出现意外情况

（我不知道Matlab的内部稀疏矩阵表示法是什么，但倍频程似乎默认为压缩稀疏列表示法。CSC和CSR之间的差异只会影响性能。如果NumPy代码最终比Matlab代码慢，请尝试使用

sps.CSC_矩阵

而不是

CSR_矩阵

，以及所有常见的NumPy性能提示。）

---

（如果您还没有读过，可能需要阅读。）

这里是我做的一个转换。它适用于5参数版本的稀疏

def sparse(i, j, v, m, n):
    """
    Create and compressing a matrix that have many zeros
    Parameters:
        i: 1-D array representing the index 1 values 
            Size n1
        j: 1-D array representing the index 2 values 
            Size n1
        v: 1-D array representing the values 
            Size n1
        m: integer representing x size of the matrix >= n1
        n: integer representing y size of the matrix >= n1
    Returns:
        s: 2-D array
            Matrix full of zeros excepting values v at indexes i, j
    """
    return scipy.sparse.csr_matrix((v, (i, j)), shape=(m, n))

---

问题是，MATLAB中一个的输出是：

Trial>>m=sparse（[3；2]，[2；4]，[3；0]）Trial>>full（m）ans=0 0 0 0 0 0 0 0 0 3 0 0

但你给出的答案不一样。@malisit你能把它编辑到你的问题中，这样换行符就可以看到吗？@malisit谢谢，我现在明白你的

稀疏（…）

3个向量的调用正在进行，我已经更正了我的答案。“我有这些，但它们不起作用，”它们以什么方式不起作用？答案在

csr

文档中。概念相同，但参数细节不同。

def sparse(i, j, v, m, n):
    """
    Create and compressing a matrix that have many zeros
    Parameters:
        i: 1-D array representing the index 1 values 
            Size n1
        j: 1-D array representing the index 2 values 
            Size n1
        v: 1-D array representing the values 
            Size n1
        m: integer representing x size of the matrix >= n1
        n: integer representing y size of the matrix >= n1
    Returns:
        s: 2-D array
            Matrix full of zeros excepting values v at indexes i, j
    """
    return scipy.sparse.csr_matrix((v, (i, j)), shape=(m, n))