numpy.square返回稀疏矩阵不正确的结果

Question

numpy.square似乎给了不正确的输出时scipy.sparse矩阵传递给它：

import numpy as np 
import scipy.sparse as S 
a = np.array([np.arange(5), np.arange(5), np.arange(5), np.arange(5), np.arange(5)]) 

a 
# array([[0, 1, 2, 3, 4], 
#  [0, 1, 2, 3, 4], 
#  [0, 1, 2, 3, 4], 
#  [0, 1, 2, 3, 4], 
#  [0, 1, 2, 3, 4]]) 

np.square(a) 
# array([[ 0, 1, 4, 9, 16], 
#  [ 0, 1, 4, 9, 16], 
#  [ 0, 1, 4, 9, 16], 
#  [ 0, 1, 4, 9, 16], 
#  [ 0, 1, 4, 9, 16]]) 

b = S.lil_matrix(a) 
c = np.square(b) 
c 
# <5x5 sparse matrix of type '<class 'numpy.int64'>' 
# with 20 stored elements in Compressed Sparse Row format> 

c[2,2] 
# 20 
# Expected output is 4, as in np.square(a) output above. 

这是一个错误？

Answer 1

通常，将scipy.sparse矩阵传递到numpy将数组（array_like）作为输入的函数会导致未定义/无意的行为。

没有自动sparse -> dense剧组。

Numpy不知道Scipy的稀疏矩阵。

在Numpy理解的意义上，稀疏矩阵不是“array_like”。 numpy函数然后做的是将稀疏矩阵视为一些未知类型的Python对象 - 通常导致将它们放入1个元素的对象数组，并从那里开始工作。对于返回的标量结果，临时对象数组将被丢弃，并且只是其中包含的对象被返回，所以很容易错过实际完成的奇怪事情。

对象数组有一些回退用于在元素（未知Python对象）上执行算术运算等操作，包括如果需要执行*等，则调用元素的operator.mul。然后将这些结果与您看到的行为相结合。

Answer 2

更新：正如指出的hpaulj，其原因可能是有点更复杂。 np.square能够检测到np.matrix并能够对元素进行平方。然而，它在sp.sparse.*matrix上摇摇欲坠。

---

这是不是一个错误;这是numpy和scipy如何实现__mul__运算符之间的细微差异。默认情况下，为*执行numpy.ndarray逐元素乘法而对于numpy.matrix（以及因此，对于scipy.sparse.*matrix），它执行矩阵乘法（来自PEP 465）：

numpy提供了两种不同类型的具有不同__mul__方法。对于 numpy.ndarray对象，*执行元素乘法，并且 矩阵乘法必须使用函数调用（numpy.dot）。对于 numpy.matrix对象，*执行矩阵乘法，并且 元素乘法需要函数语法。

在内部，numpy.square使用所提供的参数的方法__mul__，这对于ndarray S和matrix ES不同。