### scipy.sparse模块中的矩阵操作列表 `scipy.sparse` 模块提供了多种稀疏矩阵格式以及相关的操作方法，这些操作包括矩阵创建、转换、算术运算和属性查询等。以下是详细的矩阵操作列表： #### 1. 稀疏矩阵的创建 - `csr_matrix`: 压缩稀疏行（Compressed Sparse Row）格式矩阵[^2]。 - `csc_matrix`: 压缩稀疏列（Compressed Sparse Column）格式矩阵[^2]。 - `coo_matrix`: 坐标（Coordinate）格式矩阵[^2]。 - `lil_matrix`: 行链表（List of Lists）格式矩阵，适合增量构造稀疏矩阵[^3]。 - `dia_matrix`: 对角线（Diagonal）格式矩阵。 #### 2. 矩阵之间的转换 稀疏矩阵支持不同格式之间的相互转换，例如： - `mat_coo.tocsr()`: 将 COO 格式矩阵转换为 CSR 格式。 - `mat_csr.tocsc()`: 将 CSR 格式矩阵转换为 CSC 格式[^2]。 - `mat_lil.tocoo()`: 将 LIL 格式矩阵转换为 COO 格式[^3]。 #### 3. 矩阵的基本操作 - **加法与减法**: - 支持两个稀疏矩阵之间的加法和减法操作，前提是它们具有相同的形状[^2]。 ```python mat_sum = mat1 + mat2 mat_diff = mat1 - mat2 ``` - **乘法**: - 支持稀疏矩阵与标量相乘[^2]。 - 支持稀疏矩阵与密集矩阵或向量相乘[^2]。 ```python mat_scaled = mat * scalar result = mat.dot(vector) ``` #### 4. 属性查询 - `shape`: 返回矩阵的形状。 - `nnz`: 返回非零元素的数量[^2]。 - `data`: 返回存储非零元素的数组[^2]。 - `indices`: 返回非零元素对应的列索引（对于 CSR 和 CSC 格式适用）。 - `indptr`: 返回指向行或列起始位置的指针数组（对于 CSR 和 CSC 格式适用）[^2]。 #### 5. 其他功能 - **矩阵格式优化**: - 使用 `.tocsr()` 或 `.tocsc()` 将矩阵转换为更适合算术运算的格式[^2]。 - **从密集矩阵创建稀疏矩阵**: - 可以通过 `sparse.csr_matrix(dense_matrix)` 将密集矩阵转换为稀疏矩阵[^2]。 - **邻接矩阵处理**: - 在图论中，可以使用 `nx.adjacency_matrix(G).todense()` 创建邻接矩阵，并将其转换为稀疏格式[^4]。 ```python import numpy as np import networkx as nx from scipy.sparse import csr_matrix G = nx.Graph() G.add_edge(0, 1) G.add_edge(1, 2) adj_sparse = nx.adjacency_matrix(G) adj_dense = adj_sparse.todense() adj_csr = csr_matrix(adj_dense) ``` #### 示例代码 以下是一个综合示例，展示如何创建和操作稀疏矩阵： ```python from scipy.sparse import lil_matrix, csr_matrix # 创建一个 LIL 格式稀疏矩阵 mat_lil = lil_matrix((5, 5)) mat_lil[0, 0] = 1.0 mat_lil[1, 2] = 2.0 mat_lil[1, 4] = 3.0 mat_lil[3, 3] = 4.0 mat_lil[4, 4] = 5.0 # 转换为 CSR 格式 mat_csr = mat_lil.tocsr() # 查询矩阵属性 print("Shape:", mat_csr.shape) # 输出矩阵形状 print("Non-zero elements:", mat_csr.nnz) # 输出非零元素数量 # 执行矩阵加法 mat2 = csr_matrix([[0, 0, 0, 0, 0], [0, 0, 1, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 1, 0], [0, 0, 0, 0, 0]]) result = mat_csr + mat2 print(result.toarray()) # 输出结果矩阵的密集表示 ```