稀疏矩阵：Matlab到Python的代码转换

如何将其从Matlab转换为Python：

A = sparse(row_idx, col_idx, values, len, s1 * s2);
scales = zeros(size(A, 1), 1);
scales(sub2ind([s1 s2], floor(frames(2, :)), floor(frames(1, :)))) = ...
    frames(3, :);
eq = A \ scales;

---

我的尝试是：

from scipy.sparse import csr_matrix # to replace sparse matrix
import numpy as np # to replace \ with np.linalg.lstsq
A = csr_matrix((values, (row_idx , col_idx )), shape=(length, width * height))
scales = np.zeros((A.shape[0]));
for kp in kps:
   x,y = int(kp.pt[0]), int(kp.pt[1])
   scales[y][x] = int(kp.size) # error
   scales[y*x] = int(kp.size) # again, error:(
...
eq = np.linalg.lstsq(A, scales)

---

我更改了变量名称（

leng->length

，

（s1，s2）->（width，height）

），并访问keypoint类中的

size

成员，而不是matlab中的

frames[3]

，但这些都是微小的更改

我不确定的是，对于

scales

创建和索引访问，我到底应该做些什么。我似乎错过了什么，但找不到什么

我得到

TypeError:'numpy.float64'对象不支持项分配

，这一点我并不感到惊讶，因为

缩放

是一维数组，我不应该使用

[]

访问它

但是，将其更改为

scales[y*x]=int（kp.size）

会引发以下问题：

linalgeror:0维数组给定。数组必须是二维的

---

据我所知，Matlab代码采用一个稀疏矩阵，创建一个列向量（

缩放

），然后填充该列向量，以使来自

帧

（即Python代码中的每个帧（

关键点

）的任何索引

（x，y）

），并在所述索引处插入一个新值（值是

frame（3）

的

size

）。看起来很简单，但我不知道哪里出了问题

---

非常感谢您的帮助：）

问题在于

np.linalg.lstsqr

是一个numpy函数，不理解稀疏矩阵。如果他们将任务委托给方法，Numpy函数就可以工作，但如果他们首先尝试将稀疏矩阵转换为数组，则无法工作

举个简单的例子：

In [345]: R = np.arange(1,6)
In [346]: M = sparse.csr_matrix(([1,1,1],([0,2,4],[0,1,2])),shape=(5,3))
In [347]: M.A
Out[347]: 
array([[1, 0, 0],
       [0, 0, 0],
       [0, 1, 0],
       [0, 0, 0],
       [0, 0, 1]], dtype=int64)

In [348]: np.linalg.lstsq(M,R, rcond=None)
   ...
-> 1977     _assertRank2(a, b)
   1978     _assertNoEmpty2d(a, b)  # TODO: relax this constraint
   1979     m  = a.shape[0]

/usr/local/lib/python3.6/dist-packages/numpy/linalg/linalg.py in _assertRank2(*arrays)
    193         if a.ndim != 2:
  ....
LinAlgError: 0-dimensional array given. Array must be two-dimensional

它认为

M

的维数是0-d，而不是2-d。这是因为，在

np.array

（或'asarray'）中包装稀疏矩阵时，会生成0d对象数组：

In [351]: np.array(M)
Out[351]: 
array(<5x3 sparse matrix of type '<class 'numpy.int64'>'
    with 3 stored elements in Compressed Sparse Row format>, dtype=object)
In [352]: _.shape
Out[352]: ()

在MATLAB中，稀疏矩阵被集成到主代码中。在

numpy

中，它们位于单独的

scipy.sparse

包中。稀疏矩阵不是

np.ndarray

的子类

有一个稀疏线性代数子包：

In [355]: from scipy.sparse import linalg as spla
In [356]: spla.lsqr(M, R)
Out[356]: 
(array([1., 3., 5.]),
 2,
 1,
 4.47213595499958,
 4.47213595499958,
 1.0,
 1.0,
 4.082652109348718e-16,
 5.916079783099617,
 array([0., 0., 0.]))

---

np.zeros（（n，1））

创建列向量/数组。或者稍后使用

重塑

或

缩放[：，np.newaxis]

添加第二个维度。我不确定这种情况下的维度应该是什么。matlab代码不是创建了一个列向量吗，这正是我正在做的吗？np.zeros（n）是1d，不是列向量。你说的是我只需要加上`，1`？

In [355]: from scipy.sparse import linalg as spla
In [356]: spla.lsqr(M, R)
Out[356]: 
(array([1., 3., 5.]),
 2,
 1,
 4.47213595499958,
 4.47213595499958,
 1.0,
 1.0,
 4.082652109348718e-16,
 5.916079783099617,
 array([0., 0., 0.]))