创建稀疏矩阵的正常方法是构造三个具有非零值的1d数组,以及它们的i
和j
索引。然后将它们传递给coo_matrix
函数。
坐标不必按顺序排列,因此您可以为2个非零蒙版案例构建阵列并将它们连接起来。
下面是使用2个掩模
In [107]: x=np.arange(5)
In [108]: i,j,data=[],[],[]
In [110]: mask1=x%2==0
In [111]: mask2=x%2!=0
In [112]: i.append(x[mask1])
In [113]: j.append((x*2)[mask1])
In [114]: i.append(x[mask2])
In [115]: j.append(x[mask2])
In [116]: i=np.concatenate(i)
In [117]: j=np.concatenate(j)
In [118]: i
Out[118]: array([0, 2, 4, 1, 3])
In [119]: j
Out[119]: array([0, 4, 8, 1, 3])
In [120]: M=sparse.coo_matrix((x,(i,j)))
In [121]: print(M)
(0, 0) 0
(2, 4) 1
(4, 8) 2
(1, 1) 3
(3, 3) 4
In [122]: M.A
Out[122]:
array([[0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 3, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 1, 0, 0, 0, 0],
[0, 0, 0, 4, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 2]])
甲coo
格式存储这些3个阵列的样品构造是,但他们得到排序,并且当转换为其它格式和印刷清理。
我可以将其适用于您的案例,但这可能足以让您开始。
看起来像X,Y,xhi,eta
是1d阵列。然后是rx
和ry
。 delta
返回结果与其输入相同的形状。 E = deltx*delty
建议deltax
和deltay
是相同的形状(或至少可广播)。
由于稀疏矩阵有一个.multiply
方法来做元素乘法,我们可以专注于生成稀疏的delta
矩阵。
如果你负担的内存使rx
,和几个口罩,那么你也可以承担使deltax
(所有相同的大小)。即使通过deltax
有很多零,它可能是最快的使它密集。
但让我们尝试将delta
计算为稀疏构建。
这看起来像你正在做delta
什么,至少有一个屏蔽的essense:
开始用二维数组:
In [138]: r = np.arange(24).reshape(4,6)
In [139]: mask1 = (r>=8) & (r<=16)
In [140]: res1 = r[mask1]*0.2
In [141]: I,J = np.where(mask1)
得到的载体是:
In [142]: I
Out[142]: array([1, 1, 1, 1, 2, 2, 2, 2, 2], dtype=int32)
In [143]: J
Out[143]: array([2, 3, 4, 5, 0, 1, 2, 3, 4], dtype=int32)
In [144]: res1
Out[144]: array([ 1.6, 1.8, 2. , 2.2, 2.4, 2.6, 2.8, 3. , 3.2])
制作稀疏矩阵:
In [145]: M=sparse.coo_matrix((res1,(I,J)), r.shape)
In [146]: M.A
Out[146]:
array([[ 0. , 0. , 0. , 0. , 0. , 0. ],
[ 0. , 0. , 1.6, 1.8, 2. , 2.2],
[ 2.4, 2.6, 2.8, 3. , 3.2, 0. ],
[ 0. , 0. , 0. , 0. , 0. , 0. ]])
我可以制作另一个稀疏矩阵mask2
,并添加这两个。
In [147]: mask2 = (r>=17) & (r<=22)
In [148]: res2 = r[mask2]*-0.4
In [149]: I,J = np.where(mask2)
In [150]: M2=sparse.coo_matrix((res2,(I,J)), r.shape)
In [151]: M2.A
Out[151]:
array([[ 0. , 0. , 0. , 0. , 0. , 0. ],
[ 0. , 0. , 0. , 0. , 0. , 0. ],
[ 0. , 0. , 0. , 0. , 0. , -6.8],
[-7.2, -7.6, -8. , -8.4, -8.8, 0. ]])
...
In [153]: (M1+M2).A
Out[153]:
array([[ 0. , 0. , 0. , 0. , 0. , 0. ],
[ 0. , 0. , 1.6, 1.8, 2. , 2.2],
[ 2.4, 2.6, 2.8, 3. , 3.2, -6.8],
[-7.2, -7.6, -8. , -8.4, -8.8, 0. ]])
或者我可以串联的res1
和res2
等,使一个稀疏矩阵:
In [156]: I1,J1 = np.where(mask1)
In [157]: I2,J2 = np.where(mask2)
In [158]: res12=np.concatenate((res1,res2))
In [159]: I12=np.concatenate((I1,I2))
In [160]: J12=np.concatenate((J1,J2))
In [161]: M12=sparse.coo_matrix((res12,(I12,J12)), r.shape)
In [162]: M12.A
Out[162]:
array([[ 0. , 0. , 0. , 0. , 0. , 0. ],
[ 0. , 0. , 1.6, 1.8, 2. , 2.2],
[ 2.4, 2.6, 2.8, 3. , 3.2, -6.8],
[-7.2, -7.6, -8. , -8.4, -8.8, 0. ]])
在这里,我选择了面具所以非零值不重叠,但如果这两种方法工作,他们没有。这是coo
格式的重新设计功能,用于重复索引的值相加。在为有限元素问题创建稀疏矩阵时非常方便。
我也可以从面具创建一个稀疏矩阵得到数组索引:
In [179]: rmask1=sparse.coo_matrix(mask1)
In [180]: rmask1.row
Out[180]: array([1, 1, 1, 1, 2, 2, 2, 2, 2], dtype=int32)
In [181]: rmask1.col
Out[181]: array([2, 3, 4, 5, 0, 1, 2, 3, 4], dtype=int32)
In [184]: sparse.coo_matrix((res1, (rmask1.row, rmask1.col)),rmask1.shape).A
Out[184]:
array([[ 0. , 0. , 0. , 0. , 0. , 0. ],
[ 0. , 0. , 1.6, 1.8, 2. , 2.2],
[ 2.4, 2.6, 2.8, 3. , 3.2, 0. ],
[ 0. , 0. , 0. , 0. , 0. , 0. ]])
我不能,不过,从稀疏版本的r
创建模板。 (r>=8) & (r<=16)
。稀疏矩阵尚未实现这种不等式测试。但这可能并不重要,因为r
可能并不稀疏。
您是否知道['scipy.sparse'](http://docs.scipy.org/doc/scipy/reference/sparse.html)子模块? –
当然我知道,但是我不知道如何在这种情况下使用它。我不想将密集数组转换为稀疏数组,但直接创建稀疏数组。 –