我有两个稀疏矩阵E和D,它们在同一个地方有非零项 . 现在我希望将 E/D
作为稀疏矩阵,仅在D非零时定义 .
例如,请使用以下代码:
import numpy as np
import scipy
E_full = np.matrix([[1.4536000e-02, 0.0000000e+00, 0.0000000e+00, 1.7914321e+00, 2.6854320e-01, 4.1742600e-01, 0.0000000e+00],
[9.8659000e-03, 0.0000000e+00, 0.0000000e+00, 1.9106752e+00, 5.7283640e-01, 1.4840370e-01, 0.0000000e+00],
[1.3920000e-04, 0.0000000e+00, 0.0000000e+00, 9.4346500e-02, 2.8285900e-02, 4.3967800e-02, 0.0000000e+00],
[0.0000000e+00, 4.5182676e+00, 0.0000000e+00, 0.0000000e+00, 7.3000000e-06, 1.5100000e-05, 4.0746900e-02],
[0.0000000e+00, 0.0000000e+00, 3.4002088e+00, 4.6826200e-02, 0.0000000e+00, 2.4246900e-02, 3.4529236e+00]])
D_full = np.matrix([[0.36666667, 0. , 0. , 0.33333333, 0.2 , 0.1 , 0. ],
[0.23333333, 0. , 0. , 0.33333333, 0.4 , 0.03333333, 0. ],
[0.06666667, 0. , 0. , 0.33333333, 0.4 , 0.2 , 0. ],
[0. , 0.63636364, 0. , 0. , 0.04545455, 0.03030303, 0.28787879],
[0. , 0. , 0.33333333, 0.33333333, 0. , 0.22222222, 0.11111111]])
E = scipy.sparse.dok_matrix(E_full)
D = scipy.sparse.dok_matrix(D_full)
然后除法 E/D
产生一个完整的矩阵 .
matrix([[3.96436360e-02, nan, nan, 5.37429635e+00, 1.34271600e+00, 4.17426000e+00, nan],
[4.22824292e-02, nan, nan, 5.73202566e+00, 1.43209100e+00, 4.45211145e+00, nan],
[2.08799990e-03, nan, nan, 2.83039503e-01, 7.07147500e-02, 2.19839000e-01, nan],
[ nan, 7.10013476e+00, nan, nan, 1.60599984e-04, 4.98300005e-04, 1.41541862e-01],
[ nan, nan, 1.02006265e+01, 1.40478601e-01, nan, 1.09111051e-01, 3.10763127e+01]])
我也试过一个不同的包 .
import sparse
sparse.COO(E) / sparse.COO(D)
这让我错了 .
ValueError: Performing this operation would produce a dense result: <ufunc 'true_divide'>
因此它也尝试创建一个密集矩阵 .
我明白这是因为 0/0 = nan
. 但无论如何,我对这些 Value 观并不感兴趣 . 那我怎么能避免计算呢?
2 回答
Update :(灵感来自sacul)创建一个空的dok_matrix并使用
nonzero
仅修改D
的非零部分 . (这应该适用于除dok_matrix
之外的稀疏矩阵 . )您可以为
dok_matrix
尝试update nonzero方法 .首先,我们使用
nonzero
来确定矩阵D
中不是0的索引 . 然后,我们将索引放在我们提供字典的update
方法中这样,
D
中的值将根据这个字典进行更新 .Explanation:
D.update({k: E[k]/D[k] for k in nonzero_idx})
的作用是什么请注意,这会更改
D
. 如果要创建新的稀疏矩阵而不是修改D
,请将D
复制到另一个矩阵,例如ret
.我不认为这是你有
nan
值的问题,这是预期的结果 .如果你想用
0
替换nan
,你可以使用np.nan_to_num
(doc:https://docs.scipy.org/doc/numpy/reference/generated/numpy.nan_to_num.html)