Unerwartete Verhalten bei der Anpassung spärlich Matrix

Question

Ich habe eine dünne Matrix M und ein Array a von Standorten, wo ich M um eins erhöhen möchte. Dieses Array kann a Dubletten enthalten und immer dann, wenn ein Element n mal in a ist, würde Ich mag in Mn an der entsprechenden Position hinzuzufügen. Ich habe diese auf folgende Weise:

from scipy import sparse as sp 
M = sp.csr_matrix((3, 4), dtype=float) 
M[[0,0,0,0,0], [0,1,0,1,0]] += 1 

Aber wenn ich diese laufen, M[0,0] nur um eins erhöht, ist es eine einfache Methode, um dies anzupassen?

Answer 1

Wie geht MATLAB damit um?

numpy hat eine besondere Funktion dieses wiederholte Index Fall zu behandeln, die add.at

Using ufunc.at on matrix

Dies hat für scipy.sparse nicht umgesetzt worden.

Da sparse Summen Koordinaten wiederholt, wenn von einem coo Format csr eine Umwandlung, vermute ich, dieses Problem in einer Weise gegossen werden könnte, der Vorteil, dass statt. In der Tat hat die csr Matrix eine M.sum_duplicates Methode.

Ich müsste herumspielen, um die Details zu erarbeiten.

---

In [876]: M = sparse.csr_matrix((3, 4), dtype=float) 
In [877]: M 
Out[877]: 
<3x4 sparse matrix of type '<class 'numpy.float64'>' 
    with 0 stored elements in Compressed Sparse Row format> 

demonstriert die np.add.at Aktion:

In [878]: arr = M.A 
In [879]: arr[[0,0,0,0,0],[0,1,0,1,0]] += 1 
In [880]: arr 
Out[880]: 
array([[ 1., 1., 0., 0.], 
     [ 0., 0., 0., 0.], 
     [ 0., 0., 0., 0.]]) 

In [883]: arr = M.A 
In [884]: np.add.at(arr,[[0,0,0,0,0],[0,1,0,1,0]],1) 
In [885]: arr 
Out[885]: 
array([[ 3., 2., 0., 0.], 
     [ 0., 0., 0., 0.], 
     [ 0., 0., 0., 0.]]) 

---

zu M Hinzufügen erzeugt die gleiche Wirkung gepuffert - mit einer Warnung. Die Veränderung der Seltenheit einer Matrix ist relativ teuer.

In [886]: M[[0,0,0,0,0],[0,1,0,1,0]] += 1 
.... 
    SparseEfficiencyWarning) 
In [887]: M 
Out[887]: 
<3x4 sparse matrix of type '<class 'numpy.float64'>' 
    with 2 stored elements in Compressed Sparse Row format> 
In [888]: M.A 
Out[888]: 
array([[ 1., 1., 0., 0.], 
     [ 0., 0., 0., 0.], 
     [ 0., 0., 0., 0.]]) 

---

Der richtige Weg, um diese zusätzlich zu tun ist, eine neue Sparse Matrix mit den Werten zu machen, die hinzugefügt werden müssen. Wir können die Vorteile aus der Tatsache ziehen, dass coo Stil Eingängen Summe mit umgewandelten Duplikaten zu csr:

In [895]: m = sparse.csr_matrix((np.ones(5,int),([0,0,0,0,0],[0,1,0,1,0])), shape=M.shape) 
In [896]: m 
Out[896]: 
<3x4 sparse matrix of type '<class 'numpy.int32'>' 
    with 2 stored elements in Compressed Sparse Row format> 
In [897]: m.A 
Out[897]: 
array([[3, 2, 0, 0], 
     [0, 0, 0, 0], 
     [0, 0, 0, 0]], dtype=int32) 

jetzt können wir das Original und die neuen hinzufügen:

In [898]: M = sparse.csr_matrix((3, 4), dtype=float) 
In [899]: M+m 
Out[899]: 
<3x4 sparse matrix of type '<class 'numpy.float64'>' 
    with 2 stored elements in Compressed Sparse Row format>