0 valor beneficios usando un
- Almacenamiento: hay menos elementos distintos de cero que ceros y, por lo tanto, se puede usar menos memoria para almacenar solo esos elementos.
- Tiempo de cálculo: el tiempo de cálculo se puede ahorrar diseñando lógicamente una estructura de datos que atraviese solo elementos distintos de cero.
Arrays dispersas generalmente utilizadas también en su totalidad
Ejemplo:
0 0 3 0 4 0 0 5 7 0 0 0 0 0 0 0 2 6 0 0
triples- (fila, columna, valor).
Crear una array dispersa en Python
SciPy da una array dispersa de ca array dispersa de c
Sintaxis:
scipy.sparse.csr_matrix forma=Ninguno dtype=Ninguno
Ejemplo 1:
Python
# Python program to create # sparse matrix using csr_matrix() # Import required package import numpy as np from scipy.sparse import csr_matrix # Creating a 3 * 4 sparse matrix sparseMatrix = csr_matrix((3, 4), dtype = np.int8).toarray() # Print the sparse matrix print(sparseMatrix)
Producción:
[[0 0 0 0] [0 0 0 0] [0 0 0 0]]
Ejemplo 2:
Python
# Python program to create # sparse matrix using csr_matrix() # Import required package import numpy as np from scipy.sparse import csr_matrix row = np.array([0, 0, 1, 1, 2, 1]) col = np.array([0, 1, 2, 0, 2, 2]) # taking data data = np.array([1, 4, 5, 8, 9, 6]) # creating sparse matrix sparseMatrix = csr_matrix((data, (row, col)), shape = (3, 3)).toarray() # print the sparse matrix print(sparseMatrix)
Producción:
[[ 1 4 0] [ 8 0 11] [ 0 0 9]]
Sintaxis:
scipy.sparse.csc_matrix forma=Ninguno dtype=Ninguno
Ejemplo 1:
Python
# Python program to create # sparse matrix using csc_matrix() # Import required package import numpy as np from scipy.sparse import csc_matrix # Creating a 3 * 4 sparse matrix sparseMatrix = csc_matrix((3, 4), dtype = np.int8).toarray() # Print the sparse matrix print(sparseMatrix)
Producción:
[[0 0 0 0] [0 0 0 0] [0 0 0 0]]
Ejemplo 2:
Python
# Python program to create # sparse matrix using csc_matrix() # Import required package import numpy as np from scipy.sparse import csc_matrix row = np.array([0, 0, 1, 1, 2, 1]) col = np.array([0, 1, 2, 0, 2, 2]) # taking data data = np.array([1, 4, 5, 8, 9, 6]) # creating sparse matrix sparseMatrix = csc_matrix((data, (row, col)), shape = (3, 3)).toarray() # print the sparse matrix print(sparseMatrix)
Producción:
[[ 1 4 0] [ 8 0 11] [ 0 0 9]]
Publicación traducida automáticamente
Artículo escrito por AmiyaRanjanRout y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA