坐标格式 (COO)

• 也称为“ijv”或“三元组”格式

  • 三个 NumPy 数组：row、col、data。

  • 属性 coords 是元组 (row, col)

  • data[i] 是 (row[i], col[i]) 位置的值

  • 允许重复条目

  • _data_matrix (具有 .data 属性的稀疏矩阵类) 的子类

• 构建稀疏数组的快速格式

• 构造函数接受

  • 密集数组/矩阵

  • 稀疏数组/矩阵

  • 形状元组（创建空矩阵）

  • (data, coords) 元组

• 非常快速的 CSR/CSC 格式转换

• 快速矩阵 * 向量（sparsetools）

• 快速且易于进行逐元素操作

  • 直接操作数据数组（快速的 NumPy 机制）

• 没有切片，没有算术运算（直接，转换为 CSR）

• 使用

  • 促进稀疏格式之间的快速转换

  • 转换为其他格式（通常是 CSR 或 CSC）时，重复条目会加在一起

    • 促进有效构建有限元矩阵

示例

• 创建空的 COO 数组

  >>> mtx = sp.sparse.coo_array((3, 4), dtype=np.int8)
  >>> mtx.toarray()
  array([[0, 0, 0, 0],
          [0, 0, 0, 0],
          [0, 0, 0, 0]], dtype=int8)
  

• 使用 (data, ij) 元组创建

  >>> row = np.array([0, 3, 1, 0])
  >>> col = np.array([0, 3, 1, 2])
  >>> data = np.array([4, 5, 7, 9])
  >>> mtx = sp.sparse.coo_array((data, (row, col)), shape=(4, 4))
  >>> mtx
  <COOrdinate sparse array of dtype 'int64'
          with 4 stored elements and shape (4, 4)>
  >>> mtx.toarray()
  array([[4, 0, 9, 0],
         [0, 7, 0, 0],
         [0, 0, 0, 0],
         [0, 0, 0, 5]])
  

• 重复条目加在一起

  >>> row = np.array([0, 0, 1, 3, 1, 0, 0])
  >>> col = np.array([0, 2, 1, 3, 1, 0, 0])
  >>> data = np.array([1, 1, 1, 1, 1, 1, 1])
  >>> mtx = sp.sparse.coo_array((data, (row, col)), shape=(4, 4))
  >>> mtx.toarray()
  array([[3, 0, 1, 0],
         [0, 2, 0, 0],
         [0, 0, 0, 0],
         [0, 0, 0, 1]])
  

• 没有切片…

  >>> mtx[2, 3]
  Traceback (most recent call last):
  ...
  TypeError: 'coo_array' object ...