Python 用布尔数组索引SciPy稀疏矩阵

NumPy数组可以使用布尔数组进行索引，以选择与

True

项对应的行：

>>> X = np.array([[1,2,3], [4,5,6], [7,8,9]])
>>> rows = np.array([True,False,True])
>>> X[rows]
array([[1, 2, 3],
       [7, 8, 9]])
>>> X[np.logical_not(rows)]
array([[4, 5, 6]])

但这似乎不可能与SciPy稀疏矩阵；索引被视为数字索引，因此

False

选择第0行，

True

选择第1行。如何获得类似NumPy的行为？

您可以在布尔数组上使用（或

ndarray.nonzero

）来获得相应的数值索引，然后使用这些来访问稀疏矩阵。由于稀疏矩阵上的“奇特索引”与密集的

ndarray

s相比非常有限，因此需要解压缩

非零返回的行元组，并指定要使用
：
切片检索所有列：

>>> rows.nonzero()
(array([0, 2]),)
>>> indices = rows.nonzero()[0]
>>> indices
array([0, 2])
>>> sparse[indices, :]
<2x100 sparse matrix of type '<type 'numpy.float64'>'
        with 6 stored elements in LInked List format>

>行。非零（）
（数组（[0，2]），）
>>>索引=行。非零（）[0]
>>>指数
数组（[0，2]）
>>>稀疏[索引，：]
如果您将索引中的
行.nonzero（）
更改为
行.nonzero（）[0]
，我将接受此答案。即使没有上建议的
：
，它似乎也能工作。索引也适用于元组，至少适用于“正常”数组。对于多维索引，您不能使用
nonzero（）[0]
。不能使用SciPy稀疏矩阵：
索引器：元组索引超出范围。
。好的，我使用了稀疏矩阵并更新了答案。似乎您确实需要
：
切片，否则，对于
行=（0，2）
，您将不会得到子矩阵，而只得到
（0，2）
处的单个元素。还有
numpy.flatnonzero（bools）
作为
bools.nonzero（）[0]
的替代。像csr这样为行切片而设计的稀疏矩阵不能处理行的布尔索引，这有什么原因吗？