Cómo transformar numpy.matrix o una matriz en una matriz dispersa dispersa

Question

Para la matriz dispersa de SciPy, se puede usar todense() o toarray() para transformarla en matriz o matriz NumPy. ¿Cuáles son las funciones para hacer lo inverso?

Realicé búsquedas, pero no tengo idea de qué palabras clave deberían ser las adecuadas.

Answer 1

Puede pasar una matriz numpy o matriz como argumento al inicializar una matriz dispersa. Para una matriz de CSR, por ejemplo, puede hacer lo siguiente.

>>> import numpy as np 
>>> from scipy import sparse 
>>> A = np.array([[1,2,0],[0,0,3],[1,0,4]]) 
>>> B = np.matrix([[1,2,0],[0,0,3],[1,0,4]]) 

>>> A 
array([[1, 2, 0], 
     [0, 0, 3], 
     [1, 0, 4]]) 

>>> sA = sparse.csr_matrix(A) # Here's the initialization of the sparse matrix. 
>>> sB = sparse.csr_matrix(B) 

>>> sA 
<3x3 sparse matrix of type '<type 'numpy.int32'>' 
     with 5 stored elements in Compressed Sparse Row format> 

>>> print sA 
    (0, 0)  1 
    (0, 1)  2 
    (1, 2)  3 
    (2, 0)  1 
    (2, 2)  4 

Answer 2

Hay varias clases de matriz dispersa en scipy.

bsr_matrix (arg1 [, forma, dtype, copiar, blocksize]) Bloquear Sparse fila de la matriz
coo_matrix (arg1 [, forma, dtype, copia]) una matriz dispersa en formato de coordenadas.
csc_matrix (arg1 [, forma, dtype, copia]) comprimido matriz columna dispersa
csr_matrix (arg1 [, forma, dtype, copia]) comprimido matriz dispersa Fila
dia_matrix (arg1 [, forma, dtype, copia]) Matriz dispersa con almacenamiento DIAgonal
dok_matrix (arg1 [, shape, dtype, copy]) Dictionary Of Keys based sparse matrix.
lil_matrix (arg1 [, forma, dtype, copia]) lista enlazada matriz dispersa

por hilera Cualquiera de ellos puede hacer la conversión.

import numpy as np 
from scipy import sparse 
a=np.array([[1,0,1],[0,0,1]]) 
b=sparse.csr_matrix(a) 
print(b) 

(0, 0) 1 
(0, 2) 1 
(1, 2) 1 

Ver http://docs.scipy.org/doc/scipy/reference/sparse.html#usage-information.

Answer 3

En cuanto a la inversa, la función es inv(A), pero no recomendaré su uso, ya que para matrices enormes es muy computacionalmente costoso e inestable. En su lugar, debe usar una aproximación a la inversa, o si quiere resolver Ax = b realmente no necesita A ^-1.