### Scipy 库中的矩阵操作 #### 矩阵指数计算 对于矩阵指数的操作，`scipy.linalg.expm` 函数实现了基于缩放和 Padé 近似的算法来高效地计算 \( e^A \)，其中 A 是一个方阵。此方法被认为是实现矩阵指数的最佳实践[^1]。 ```python from scipy import linalg import numpy as np A = np.array([[1, 2], [3, 4]]) exp_A = linalg.expm(A) print(exp_A) ``` #### 稀疏矩阵基本操作 Scipy 支持多种稀疏矩阵格式间的算术运算以及转换操作。例如可以执行加法、乘法、转置等基础操作，并且能够方便地获取特定行或列的数据片段[^2]。 ```python from scipy.sparse import coo_matrix, csr_matrix, csc_matrix coo_mat = coo_matrix(([1, 2, 3], ([0, 1, 2], [2, 0, 1])), shape=(3, 3)) csr_mat = csr_matrix(coo_mat) result_addition = coo_mat + csr_mat result_multiplication = coo_mat.dot(csr_mat) transposed_coo = coo_mat.transpose() row_selection = csr_mat.getrow(0).toarray()[0] column_selection = csr_mat.getcol(1).toarray()[:, 0] print(f"Addition:\n{result_addition.toarray()}") print(f"\nMultiplication:\n{result_multiplication.toarray()}") print(f"\nTransposition (COO):\n{transposed_coo.toarray()}") print(f"\nFirst Row Selection from CSR:{row_selection}") print(f"\nSecond Column Selection from CSR:{column_selection}") ``` #### LIL 格式的稀疏矩阵特性 LIL（List of Lists）类型的稀疏矩阵特别适合于逐步构建大型稀疏结构的情况，在这种情况下，每一行都由两个列表表示——一个是非零元素的位置索引，另一个是非零元素本身的值。这使得向现有矩阵添加新条目变得非常简单快捷[^4]。 ```python from scipy.sparse import lil_array sparse_lil = lil_array((3, 3), dtype=np.float64) sparse_lil[0, :2] = [1, 2] sparse_lil[1, 1] = 3 sparse_lil[2, ::2] = [4, 5] converted_to_csr = sparse_lil.tocsr() print(sparse_lil) print("\nConverted to CSR format:") print(converted_to_csr) ```