在scipy.sparse和numpy中处理不同的切片行为

Question

设置

我知道，在.sparse-module中，稀疏矩阵与numpy-arrays不同。另外，我知道像here这样的关于稀疏数组切片的问题。无论如何，这个问题和大多数其他问题都涉及切片的性能。

我的问题是如何处理他们不同的切片行为。让我们创建一个示例：

import numpy as np
from scipy import sparse

matrix = np.asarray([[0,0,0,1], [1,1,0,0], [1,0,1,0], [1,0,0,1], [1,0,0,1], [1,0,0,1]])
sparse_matrix = sparse.lil_matrix(matrix) # Or another format like .csr_matrix etc.

在这种情况下，应用相同的切片会产生不同的输出：

matrix[:, 3]
# Output: 
# array([ True, False, False,  True,  True,  True], dtype=bool)

sparse_matrix[:, 3]
# Output:
# matrix([[ True],
#        [False],
#        [False],
#        [ True],
#        [ True],
#        [ True]], dtype=bool)

问题

这有点令人沮丧，因为我需要第一个输出来应用到第二个例子中。正如一开始所说的，我知道使用sparse_matrix.A等会给我想要的结果。无论如何，将稀疏矩阵转换为数组与稀疏矩阵的初始用例相矛盾.

那么，在不将sparse-matrix转换为数组的情况下，是否有可能实现相同的切片结果？

编辑：用于澄清，因为我的问题在这方面可能会混淆：sparse_matrix上的切片应该具有与matrix相同的输出，这意味着类似于sparse_matrix[:, 3]的东西将输出([ True, False, False, True, True, True])。

Answer 1

In [150]: arr = np.asarray([[0,0,0,1], [1,1,0,0], [1,0,1,0], [1,0,0,1], [1,0,0,1], [1,0,0,1]]) 
     ...: M = sparse.lil_matrix(arr) # Or another format like .csr_matrix etc. 

ndarray上的标量索引将维数减少一个：

In [151]: arr[:,3]                                                                                           
Out[151]: array([1, 0, 0, 1, 1, 1])

它不改变稀疏矩阵的维数。

In [152]: M[:,3]                                                                                             
Out[152]: 
<6x1 sparse matrix of type '<class 'numpy.int64'>'
    with 4 stored elements in LInked List format>

这种行为类似于np.matrix子类(和MATLAB)。稀疏矩阵总是2d。

此矩阵的密集数组显示：

In [153]: M[:,3].A                                                                                           
Out[153]: 
array([[1],
       [0],
       [0],
       [1],
       [1],
       [1]], dtype=int64)

np.matrix显示器：

In [154]: M[:,3].todense()                                                                                   
Out[154]: 
matrix([[1],
        [0],
        [0],
        [1],
        [1],
        [1]], dtype=int64)

np.matrix具有一个A1属性，该属性生成一个一维数组(它将转换为ndarray并应用ravel)：

In [155]: M[:,3].todense().A1                                                                                
Out[155]: array([1, 0, 0, 1, 1, 1], dtype=int64)

ravel、squeeze和标量索引都是减少ndarray维度的方法。但它们并不直接在np.matrix或稀疏矩阵上工作。

另一个2d稀疏矩阵的例子：

In [156]: sparse.lil_matrix(arr[:,3])                                                                        
Out[156]: 
<1x6 sparse matrix of type '<class 'numpy.int64'>'
    with 4 stored elements in LInked List format>
In [157]: _.A                                                                                                
Out[157]: array([[1, 0, 0, 1, 1, 1]], dtype=int64)

注意[[...]]。sparse在一维ndarray中增加了一个领先的尺寸1维。