強大到沒有朋友的科學計算庫，不知道怎么介紹ta！

大牛張若愚出了厚本的《Python 科學計算》第二版

里面包羅萬象，就不做搬運工了，盡快開工pandas。

來一彈在NLP自然語言處理中用到的稀疏矩陣處理：

# coding: utf-8

# # 稀疏矩陣

# `Scipy` 提供了稀疏矩陣的支持(`scipy.sparse`)。

#

# 稀疏矩陣主要使用 位置 + 值 的方法來存儲矩陣的非零元素，根據存儲和使用方式的不同，有如下幾種類型的稀疏矩陣：

#

# 類型|描述

# ---|----

# `bsr_matrix(arg1[, shape, dtype, copy, blocksize])`| Block Sparse Row matrix

# `coo_matrix(arg1[, shape, dtype, copy])`| A sparse matrix in COOrdinate format.

# `csc_matrix(arg1[, shape, dtype, copy])`| Compressed Sparse Column matrix

# `csr_matrix(arg1[, shape, dtype, copy])`| Compressed Sparse Row matrix

# `dia_matrix(arg1[, shape, dtype, copy])`| Sparse matrix with DIAgonal storage

# `dok_matrix(arg1[, shape, dtype, copy])`| Dictionary Of Keys based sparse matrix.

# `lil_matrix(arg1[, shape, dtype, copy])`| Row-based linked list sparse matrix

#

# 在這些存儲格式中：

#

# - COO 格式在構建矩陣時比較高效

# - CSC 和 CSR 格式在乘法計算時比較高效

# ## 構建稀疏矩陣

# In[1]:

from scipy.sparse import *

import numpy as np

# 創建一個空的稀疏矩陣：

# In[2]:

coo_matrix((2,3))

# 也可以使用一個已有的矩陣或數組或列表中創建新矩陣：

# In[4]:

A = coo_matrix([[1,2,0],[0,0,3],[4,0,5]])

print(A)

# 不同格式的稀疏矩陣可以相互轉化：

# In[5]:

type(A)

# In[6]:

B = A.tocsr()

type(B)

# 可以轉化為普通矩陣：

# In[7]:

C = A.todense()

C

# 與向量的乘法：

# In[8]:

v = np.array([1,0,-1])

A.dot(v)

# 還可以傳入一個 `(data, (row, col))` 的元組來構建稀疏矩陣：

# In[9]:

I = np.array([0,3,1,0])

J = np.array([0,3,1,2])

V = np.array([4,5,7,9])

A = coo_matrix((V,(I,J)),shape=(4,4))

# In[11]:

print(A)

# COO 格式的稀疏矩陣在構建的時候只是簡單的將坐標和值加到后面，對于重復的坐標不進行處理：

# In[13]:

I = np.array([0,0,1,3,1,0,0])

J = np.array([0,2,1,3,1,0,0])

V = np.array([1,1,1,1,1,1,1])

B = coo_matrix((V,(I,J)),shape=(4,4))

print(B)

# 轉換成 CSR 格式會自動將相同坐標的值合并：

# In[15]:

C = B.tocsr()

print(C)

# ## 求解微分方程

# In[16]:

from scipy.sparse import lil_matrix

from scipy.sparse.linalg import spsolve

from numpy.linalg import solve, norm

from numpy.random import rand

# 構建 `1000 x 1000` 的稀疏矩陣：

# In[17]:

A = lil_matrix((1000, 1000))

A[0, :100] = rand(100)

A[1, 100:200] = A[0, :100]

A.setdiag(rand(1000))

# 轉化為 CSR 之后，用 `spsolve` 求解 $Ax=b$：

# In[18]:

A = A.tocsr()

b = rand(1000)

x = spsolve(A, b)

# 轉化成正常數組之后求解：

# In[19]:

x_ = solve(A.toarray(), b)

# 查看誤差：

# In[20]:

err = norm(x-x_)

err

# ## sparse.find 函數

# 返回一個三元組，表示稀疏矩陣中非零元素的 `(row, col, value)`：

# In[22]:

from scipy import sparse

row, col, val = sparse.find(C)

print(row, col, val)

# ## sparse.issparse 函數

# 查看一個對象是否為稀疏矩陣：

# In[23]:

sparse.issparse(B)

# 或者

# In[24]:

sparse.isspmatrix(B.todense())

# 還可以查詢是否為指定格式的稀疏矩陣：

# In[25]:

sparse.isspmatrix_coo(B)

# In[26]:

sparse.isspmatrix_csr(B)

膠水語言博大精深，

本主只得一二為新人帶路，

新手可查閱歷史目錄：yeayee：Python數據分析及可視化實例目錄?zhuanlan.zhihu.com

最后，別只收藏不關注哈

總結

以上是生活随笔為你收集整理的python 画风场 scipy_Python数据分析及可视化实例之Scipy的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。