Question

我在Python中使用numpy和scipy移植MATLAB代码，我需要在MATLAB中使用numpy / scipy等效的稀疏函数。

这是MATLAB中稀疏函数的用法，

sparse([3; 2], [2; 4], [3; 0])

给出：

Trial>> m = sparse([3; 2], [2; 4], [3; 0])

    m =

       (3,2)        3

    Trial>> full(m)

    ans =

         0     0     0     0
         0     0     0     0
         0     3     0     0

我有这些，但他们没有给出MATLAB版本的功能，

sps.csr_matrix([3, 2], [2, 4], [3, 0])
sps.csr_matrix(np.array([[3], [2]]), np.array([[2], [4]]), np.array([[3], [0]])) 
sps.csr_matrix([[3], [2]], [[2], [4]], [[3], [0]])

有什么想法吗？感谢。

Answer 1

您正在使用sparse(I, J, SV)表单[注意：链接转到GNU Octave的文档，而不是Matlab]。 scipy.sparse等价物是csr_matrix((SV, (I, J))) - 是的，单个参数是包含向量和2元组向量的2元组。您还必须更正索引向量，因为Python始终使用基于0的索引。

>>> m = sps.csr_matrix(([3,0], ([2,1], [1,3]))); m
<3x4 sparse matrix of type '<class 'numpy.int64'>'
    with 2 stored elements in Compressed Sparse Row format>

>>> m.todense()
matrix([[0, 0, 0, 0],
        [0, 0, 0, 0],
        [0, 3, 0, 0]], dtype=int64)

请注意，与Matlab不同，scipy不会自动丢弃显式零，并且会对仅包含整数的矩阵使用整数存储。要完全匹配Matlab中的矩阵，必须明确要求浮点存储，并且必须在结果上调用eliminate_zeros()：

>>> m2 = sps.csr_matrix(([3,0], ([2,1], [1,3])), dtype=np.float)
>>> m2.eliminate_zeros()
>>> m2
<3x4 sparse matrix of type '<class 'numpy.float64'>'
    with 1 stored elements in Compressed Sparse Row format>
>>> m2.todense()
matrix([[ 0.,  0.,  0.,  0.],
        [ 0.,  0.,  0.,  0.],
        [ 0.,  3.,  0.,  0.]])

您也可以将[3,0]更改为[3., 0.]，但我建议使用明确的dtype=参数，因为这样可以避免在输入实际数据时出现意外情况。

（我不知道Matlab的内部稀疏矩阵表示是什么，但Octave似乎默认为压缩的稀疏列表示.CSC和CSR之间的区别只会影响如果您的NumPy代码比Matlab代码慢，请尝试使用sps.csc_matrix代替csr_matrix，以及所有常用的NumPy性能提示。）

（如果您还没有，可能需要阅读NumPy for Matlab users。）

Answer 2

在这里我做了一次转换。它适用于稀疏的5个参数版本。

adLoader.loadAds(AdRequest.Builder().build(), 1)

numpy / scipy相当于MATLAB的稀疏函数

2 个答案: