Scipy CSR Matrix

Er du ny på Python -programmeringsspråket og lurer på hvor du skal begynne? Vel, det er ingen riktig eller feil måte å begynne å lære Python -programmeringsspråket; Du kan starte hvor som helst. Du kan starte med enkle funksjoner slik at du kan ha en grunnleggende kommando over språket og gå mot kompliserte metoder og prosedyrer. Uansett hvordan du velger, vil du komme over Scipy -biblioteket for å utføre matematisk, vitenskapelig, optimalisering eller andre relevante funksjoner. Scipy er det mest brukte biblioteket med Python -programmeringsspråk som tilbyr mange nyttige funksjoner. I denne artikkelen tar vi sikte på å utforske CSR_Matrix -funksjonen til Scipy Library.

Hva er en scipy csr_matrix -funksjon i Python -programmering?

Scipy Library of Python-programmering gir en innebygd funksjon SCR_MATRIX som står for den komprimerte sparsomme raden. CSR_Matrix betyr en sparsom matrise som for det meste inneholder nuller. Disse matriser brukes i aritmetiske operasjoner som multiplikasjon, tillegg, divisjon osv. Scipy CSR_Matrix er en veldig effektiv funksjon for å utføre alle slags aritmetiske operasjoner, og det kan også ta matriksvektorproduktene raskt. Imidlertid er det veldig tregt med å utføre kolonnets skiveroperasjoner, og det blir også veldig dyrt å endre sparsitetsstrukturen.

Syntaks av scipy csr_matrix -funksjon:

Syntaksen til Scipy CSR_Matrix -funksjonen er veldig enkel og enkel å lære. Husk at det ikke tar så mange parametere som input. Det tar bare en parameter som er en matrise som en inngangsparameter og bare returnerer sin sparsomme matrise. Se følgende syntaks:

Her er Scipy navnet på biblioteket som tilbyr den sparsomme pakken. De sparsomme pakkene inneholder CSR_Matrix -funksjonen sammen med de andre nyttige metodene. Array. Nå som vi lærte syntaks for CSR_Matrix -funksjonen, er vi klare til å skrive noen grunnleggende kode.

Eksempel 1:

Dette eksemplet hjelper deg å forstå hvordan du enkelt kan innlemme CSR_Matrix -funksjonen i Python -programmene dine.

Importer numpy som NP
Fra scipy.Sparsom import csr_matrix
a = np.Array ([0, 0, 1, 0, 5, 0, 2, 0, 2])
trykk ("Arrayen inneholder:", a)
CSR = CSR_MATRIX (A)
Print ("\ n the CSR of the Give Array er: \ n \ n", CSR)

I den første linjen i programmet importeres Numpy -biblioteket som NP. Siden vi trenger å lage en rekke i programmet, trenger vi Numpy -biblioteket for det. Etter det ringer vi Scipy -biblioteket og legger de sparsomme pakkene inn i programmet slik at vi kan bruke CSR_Matrix -funksjonen. “Fra scipy.Sparsom import CSR_Matrix ”-uttalelse brukes til å importere Scipy Library, Sparse Package og CSR_Matrix -funksjonen i programmet. En matrise “A” initialiseres med 9 dataelementer.

Ved hjelp av utskriftserklæringen vises dataene i matrisen på terminalen. Etter det sendes matrisen til CSR_Matrix () -funksjonen slik at CSR -matrisen til den gitte matrisen kan opprettes. Igjen brukes utskriftserklæringen for å få den beregnede CSR -matrisen til matrisen på terminalen. La oss nå se resultatet av prøveprogrammet i følgende utgang:

Hvis du ser på input -matrisen, er varen på den andre posisjonen i matrisen 1, det fjerde elementet er 5, det sjette elementet er 2, og det åttende elementet er 2. Derfor returnerer CSR_Matrix -funksjonen den samme CSR -matrisen og dens tilsvarende verdier.

Eksempel 2:

Tidligere brukte vi en enkel 1-D-matrise for å forstå arbeidet med CSR_Matrix-funksjonen. Her gir vi et flerdimensjonalt utvalg for å lære hvordan CSR_Matrix-funksjonen endrer dens arbeid. Se følgende prøvekode:

Importer numpy som NP
Fra scipy.Sparsom import csr_matrix
a = np.Array ([[0, 0, 1], [0, 5, 0], [2, 0, 2]])
Print ("The Array inneholder: \ n", a)
CSR = CSR_MATRIX (A)
Print ("\ n the CSR of the Give Array er: \ n \ n", CSR)

Som du ser, akkurat som i forrige eksempel, importeres Numpy -biblioteket i programmet som NP, og Scipy Library importeres for å bruke den sparsomme pakken og dens CSR_Matrix -funksjon. Den første utskriftserklæringen viser dataene fra matrisen, og den andre utskriftserklæringen viser den opprettede CSR -matrisen til matrisen. Arrayen sendes til CSR_Matrix -funksjonen for å lage sin CSR -matrise. Se den resulterende matrisen i følgende utgang:

Som du ser, er det ingen endring i utgangen. Det er akkurat det samme som den forrige.

Eksempel 3:

Nå lærte vi at CSR_Matrix-funksjonen fungerer den samme med alle typer inngangsarrayer, enten det er endimensjonalt eller flerdimensjonalt. La oss prøve å leke med CSR_Matrix og bruke noen andre funksjoner på det. Her teller vi antall ikke-null-elementer i matrisen med "count_nonzer ()" -funksjonen. Se følgende referansekode:

Importer numpy som NP
Fra scipy.Sparsom import csr_matrix
a = np.Array ([[0, 0, 1], [0, 5, 0], [2, 0, 2]])
Print ("The Array inneholder: \ n", a)
CSR = CSR_MATRIX (A).count_nonzero ()
Print ("\ Ntotal Nonzero -elementer er:", CSR)

Hvis du ser nøye på koden, er programmet det samme som vi brukte i de forrige eksemplene. Det eneste tilskuddet er count_nonzero () -funksjonen. Count_nonzero () -funksjonen teller antall elementer i matrisen som ikke er null og returnerer tellingen. La oss se tellingen av ikke -null -varene som er gitt i følgende:

Eksempel 4:

La oss bruke en annen funksjon med CSR_Matrix på en matrise. Zeros kan elimineres fra matrisen, og bare ikke-null varer kan returneres fra CSR-matrisen. Dette kan enkelt gjøres ved hjelp av eliminering av eliminerings_zeros () med CSR_Matrix -funksjonen. Vi bruker eliminering av eliminerings_zeros () i følgende prøveprogram for å hjelpe deg med å forstå hvordan du kan gjøre det samme i det tilpassede programmet ditt.

Importer numpy som NP
Fra scipy.Sparsom import csr_matrix
a = np.Array ([[5, 0, 1], [0, 0, 0], [2, 0, 0]])
Print ("The Array inneholder: \ n", a)
CSR = CSR_MATRIX (A)
CSR.eliminere_zeros ()
Print ("\ n the CSR of the Give Array er: \ n \ n", CSR)

Se nøye på koden og observer at vi først ga den gitte matrisen til CSR_Matrix -funksjonen og lagret resultatet i "CSR" -variabelen. Deretter brukte vi eliminering av eliminerings_zeros () på variabelen med “CSR.eliminerer_zeros () ”uttalelse. Dette eliminerer alle nuller fra matrisen og returnerer bare ikke-null varene.

Konklusjon

En rask oppsummering av denne artikkelen er at vi lærte om det grunnleggende behovet for Scipy -biblioteket i et Python -program. Vi utforsket CSR_Matrix -funksjonen til Scipy Library og Sparse Package. Vi demonstrerte også noen nyttige og enkle eksempler for å forstå hvordan du bruker CSR_Matrix -funksjonen i våre vanlige programmer.