In [553]: Mc=M.tocsr()
In [554]: Mc[1,:] # row 1 is another matrix (1 row):
Out[554]:
<1x7 sparse matrix of type '<class 'numpy.float64'>'
with 1 stored elements in Compressed Sparse Row format>
In [555]: Mc[1,:].A # that row as 2d array
Out[555]: array([[ 0. , 0. , 0. , 0. , 0. , 0.4, 0. ]])
In [556]: print(Mc[1,:]) # like 2nd element of M except for row number
(0, 5) 0.4
单个元素:
In [560]: Mc[1,5]
Out[560]: 0.40000000000000002
这些格式的数据属性(如果您想进一步挖掘)
In [562]: Mc.data
Out[562]: array([ 0.5, 0.4, 0.6])
In [563]: Mc.indices
Out[563]: array([0, 5, 3], dtype=int32)
In [564]: Mc.indptr
Out[564]: array([0, 1, 2, 3, 3, 3], dtype=int32)
In [565]: M.data
Out[565]: array([ 0.5, 0.4, 0.6])
In [566]: M.col
Out[566]: array([0, 5, 3], dtype=int32)
In [567]: M.row
Out[567]: array([0, 1, 2], dtype=int32)
2条答案
按热度按时间nbewdwxp1#
创建一个包含3个元素的矩阵:
默认显示(
repr(M)
):and print display(str(M))-看起来像输入:
转换为
csr
:单个元素:
这些格式的数据属性(如果您想进一步挖掘)
t2a7ltrp2#
我们可以将
scipy.sparse.coo_array
转换为pandas.DataFrame
。效用函数:
创建一个稀疏数组(借用自@hpaulj):
对于一个小的示例数组,我们可以将其视为密集数组:
最后,我们将稀疏数组转换为DataFrame并绘制它。