Matrizes escassas escassas

Scipy -Scientific Python - a biblioteca Python mais usada para funções matemáticas e estatísticas. Scipy Library nos oferece uma variedade de funções úteis que podem ser implementadas em programas Python. Matrizes esparsas são uma das funções mais simples e fáceis da biblioteca scipy que é usada para criar uma matriz de RSE em um programa Python. Projetamos este artigo para demonstrar o funcionamento de matrizes esparsas da Biblioteca Scipy com a ajuda de exemplos e códigos simples. Siga o artigo conosco e aprenda como você pode criar a matriz CSR usando as matrizes escassas centeradas.

O que são dados escassos?

Antes de seguirmos para explicar como usar as matrizes esparsas funcionam em um programa Python, vamos entender o que são dados esparsos. É preferível compreender o básico antes de passar para a função real. Dados esparsos são um tipo de dados que são compostos principalmente de itens inúteis. Itens inúteis significam dados que não carregam nenhuma informação. Em palavras simples, uma variedade de dados esparsos conterá principalmente zeros. As matrizes esparsas são muito comuns em tomar derivados em álgebra linear enquanto trabalham com programação científica.

O que são matrizes escassas centeras?

A Biblioteca Cipy da linguagem de programação Python fornece um pacote esparso usado para lidar com dados esparsos. O pacote esparso oferece dois métodos a serem usados ​​com matrizes e são CSC e CSR. O CSC significa uma coluna esparsa compactada que corta as colunas das matrizes. Por outro. Vamos entender o funcionamento de ambos os métodos através de exemplos.

Exemplo 1:

Vamos começar com um exemplo simples para entender matrizes esparsas e os métodos matrizes de matrizes esparsas e CSC e CSC fornecidas pela Scipy Library. Aqui, estamos fornecendo um exemplo muito simples, apenas para mostrar como o Scipy funciona para matrizes esparsas. As matrizes esparsas são muito fortes em comparação com as matrizes normais, pois levam menos tempo de computação e também tomam menos memória, pois só precisam armazenar alguns itens diferentes de zero. Neste exemplo, usaremos a função de RSE com a matriz Numpy. Veja o código especificado no trecho embaixo:

Em primeiro lugar, a biblioteca Numpy é introduzida no programa como NP e depois o Scipy.O pacote esparso está incluído para importar a função CSR_MATRIX no programa. Uma matriz de 9 itens contendo apenas 3 itens diferentes de zero é declarada e passada para a função CSR_MATRIX. O resultado é mostrado no terminal com a ajuda do comando print (). Veja o resultado calculado pelo SCR_MATRIX abaixo:

Como tínhamos 3 itens diferentes de zero nas posições 0, 1 e 7, o CSR_Matrix retornou a posição (x, y) dos itens diferentes de zero na matriz junto com os próprios itens de zero. É assim que o método CSR_MATRIX do círculo.Pacote esparso funciona.

Exemplo 2:

Anteriormente, vimos um exemplo básico do método CSR_MATRIC. Vamos codificar algo complexo para que possamos ter uma melhor compreensão da função. Neste exemplo, estamos novamente explicando o método csr_matric, mas com um exemplo um pouco mais complexo em comparação com o anterior. Veja o código fornecido no snippet abaixo:

Novamente, primeiro, importamos a biblioteca Numpy como NP no programa e o Scipy.O pacote esparso é usado para importar o CSR_MATRIX. Duas matrizes são declaradas para linha e coluna e outra matriz de dados é declarada para criar a matriz. Para a parte dos dados do CSR_MATRIX, os dados, a linha e a matriz de Col são passados. Para a parte do tipo de dados da matriz CSR_ (3, 3) foi fornecido. Usando o comando de impressão, o resultado foi mostrado no terminal. Veja a saída calculada pela função CSR_MATRIX abaixo:

Exemplo 3:

Até agora, exploramos e tentamos entender as funções CSR_Matrix para matrizes esparsas. Aqui, explicaremos a função csc_matrix para as matrizes esparsas. Usaremos a mesma linha de códigos que fizemos no exemplo anterior apenas para mostrar a diferença clara no funcionamento de CSC_Matrix e CSR_Matrix. Vamos ver como o CSC_Matrix funciona quando aplicado à matriz usada no primeiro exemplo:

Como você pode observar, todas as linhas de código são as mesmas, assim como os dados, apenas a função CSR_MATRIC é substituída pela função csc_matrix. Agora, vamos ver o resultado da função dada na captura de tela abaixo:

Como você pode ver, obtivemos o mesmo resultado aqui que fizemos no primeiro exemplo. O csc_matrix também retornou a posição de todos os valores diferentes de zero na forma de uma combinação (x, y). A matriz tem 1, 2, 2 em posições 0, 1 e 7, e isso é retornado pela função csc_matrix.

Exemplo 4:

Agora, vamos replicar o segundo exemplo e substituir a função csr_matrix por csc_matrix.

Como você pode observar claramente que o código é exatamente o mesmo usado no exemplo anterior, a única alteração aqui é a função CSR_MATRIX substituída pela função csc_matrix. Agora, vamos ver se o resultado mudou ou não. A saída é fornecida na captura de tela abaixo, dê uma olhada:

Como é visto na saída, o resultado é o mesmo para CSR_MATRIX e CSC_MATRIX.

Conclusão

Este artigo é uma visão geral rápida das matrizes escassas centeras. Exploramos que dados esparsos são um tipo de dados que possuem zeros ou tipo de dados não utilizados. Os dados não utilizados são algo que não transmite nenhuma informação significativa. As matrizes escassas centeradas em Python são mais usadas na programação científica. As matrizes esparsas da biblioteca scipy oferecem dois métodos, CSR_MATRIX e CSC_MATRIX. A função CSR_MATRIX é usada para fatiamento de linha e a função csc_matrix é usada para o fatiamento de coluna de uma matriz. Os exemplos dados podem ser usados ​​para entender como as funções CSR_MATRIX e CSC_MATRIX funcionam em um programa Python.