您的位置:

python列表稀疏,Python 稀疏矩阵

本文目录一览:

稠密矩阵怎么转成稀疏矩阵 python

需求:

你需要转置一个二维数组,将行列互换.

讨论:

你需要确保该数组的行列数都是相同的.比如:

arr = [[1, 2, 3], [4, 5, 6], [7,8, 9], [10, 11, 12]]

列表递推式提供了一个简便的矩阵转置的方法:

print [[r[col] for r in arr] for col in range(len(arr[0]))]

[[1, 4, 7, 10], [2, 5, 8, 11],[3, 6, 9, 12]]

另一个更快和高级一些的方法,可以使用zip函数:

print map(list,

zip(*arr))

本节提供了关于矩阵转置的两个方法,一个比较清晰简单,另一个比较快速但有些隐晦.

有时候,数据到来的时候使用错误的方式,比如,你使用微软的ADO接口访问数据库,由于Python和MS在语言实现上的差别.

Getrows方法在Python中可能返回的是列值,和方法的名称不同.本节给的出的方法就是这个问题常见的解决方案,一个更清晰,一个更快速.

在列表递推式版本中,内层递推式表示选则什么(行),外层递推式表示选择者(列).这个过程完成后就实现了转置.

在zip版本中,我们使用*arr语法将一维数组传递给zip做为参数,接着,zip返回一个元组做为结果.然后我们对每一个元组使用list方法,产生了列表的列表(即矩阵).因为我们没有直接将zip的结果表示为list,

所以我们可以我们可以使用itertools.izip来稍微的提高效率(因为izip并没有将数据在内存中组织为列表).

import itertools

print map(list,

itertools.izip(*arr))

但是,在特定的情况下,上面的方法对效率的微弱提升不能弥补对复杂度的增加.

关于*args和**kwds语法:

*args(实际上,*号后面跟着变量名)语法在Python中表示传递任意的位置变量,当你使用这个语法的时候(比如,你在定义函数时使用),Python将这个变量和一个元组绑定,并保留所有的位置信息,

而不是具体的变量.当你使用这个方法传递参数时,变量可以是任意的可迭代对象(其实可以是任何表达式,只要返回值是迭代器).

**kwds语法在Python中用于接收命名参数.当你用这个方式传递参数时,Python将变量和一个dict绑定,保留所有命名参数,而不是具体的变量值.当你传递参数时,变量必须是dict类型(或者是返回值为dict类型的表达式).

如果你要转置很大的数组,使用Numeric Python或其它第三方包,它们定义了很多方法,足够让你头晕的.

相关说明:

zip(...)

zip(seq1 [,

seq2 [...]]) - [(seq1[0], seq2[0] ...),

(...)]

Return a

list of tuples, where each tuple contains the i-th element

from each of

the argument sequences. The returned list is truncated

in length to

the length of the shortest argument sequence.

如果解决了您的问题请采纳!

如果未解决请继续追问

python常见的三种列表排序算法分别是什么?

排序是计算机程序设计中的一种重要操作,它的功能是将一个数据元素的任意序列,重新排列成一个关键字有序的序列。那么python列表排序算法有哪些?本文主要为大家讲述python中经常用的三种排序算法:冒泡排序、插入排序和选择排序。

1、冒泡排序

冒泡排序,Bubble

Sort,是一种简单的排序算法。它重复地遍历要排序的数列,一次比较两个元素,如果他们的顺序错误就把他们交换过来。遍历数列的工作是重复地进行直到没有再需要交换,也就是说该数列已经排序完成。这个算法的名字由来是因为越小的元素会经由交换慢慢浮到数列的顶端。

2、插入排序

插入排序,Insertion

Sort,是一种简单直观的排序算法。它的工作原理是通过构建有序序列,对于未排序数据,在已排序序列中从后向前扫描,找到相应位置并插入。插入排序在实现上,在从后向前的扫描过程中,需要把已排序元素逐步向后挪位,为最新元素提供插入空间。

3、选择排序

选择排序,Selection

Sort,是一种简单直观的排序算法。它的工作原理如下:首先在未排序序列中找到最小、最大元素,存放到排序序列的起始位置,然后再从剩余未排序元素中继续寻找最小、最大元素。放到已排序序列的末尾。以此类推,直到所有元素均排序完毕。

python中稀疏矩阵的怎么用numpy处理

NumPy是一个关于矩阵运算的库,熟悉Matlab的都应该清楚,这个库就是让python能够进行矩阵话的操作,而不用去写循环操作。

下面对numpy中的操作进行总结。

numpy包含两种基本的数据类型:数组和矩阵。

数组(Arrays)

from numpy import * a1=array([1,1,1]) #定义一个数组 a2=array([2,2,2]) a1+a2 #对于元素相加array([3, 3, 3]) a1*2 #乘一个数array([2, 2, 2])## a1=array([1,2,3]) a1

array([1, 2, 3]) a1**3 #表示对数组中的每个数做平方array([ 1, 8, 27])##取值,注意的是它是以0为开始坐标,不matlab不同 a1[1]2##定义多维数组 a3=array([[1,2,3],[4,5,6]]) a3

array([[1, 2, 3],

[4, 5, 6]]) a3[0] #取出第一行的数据array([1, 2, 3]) a3[0,0] #第一行第一个数据1 a3[0][0] #也可用这种方式1##数组点乘,相当于matlab点乘操作 a1=array([1,2,3]) a2=array([4,5,6]) a1*a2

array([ 4, 10, 18])12345678910111213141516171819202122232425262728293031323334

Numpy有许多的创建数组的函数:

import numpy as np

a = np.zeros((2,2)) # Create an array of all zerosprint a # Prints "[[ 0. 0.]

# [ 0. 0.]]"b = np.ones((1,2)) # Create an array of all onesprint b # Prints "[[ 1. 1.]]"c = np.full((2,2), 7) # Create a constant arrayprint c # Prints "[[ 7. 7.]

# [ 7. 7.]]"d = np.eye(2) # Create a 2x2 identity matrixprint d # Prints "[[ 1. 0.]

# [ 0. 1.]]"e = np.random.random((2,2)) # Create an array filled with random valuesprint e # Might print "[[ 0.91940167 0.08143941]

# [ 0.68744134 0.87236687]]"1234567891011121314151617181920

数组索引(Array indexing)

矩阵

矩阵的操作与Matlab语言有很多的相关性。

#创建矩阵

m=mat([1,2,3])

m

matrix([[1, 2, 3]])

#取值

m[0] #取一行

matrix([[1, 2, 3]])

m[0,1] #第一行,第2个数据2 m[0][1] #注意不能像数组那样取值了

Traceback (most recent call last):

File "stdin", line 1, in module

File "/usr/lib64/python2.7/site-packages/numpy/matrixlib/defmatrix.py", line 305, in __getitem__

out = N.ndarray.__getitem__(self, index)

IndexError: index 1 is out of bounds for axis 0 with size 1#将Python的列表转换成NumPy的矩阵

list=[1,2,3]

mat(list)

matrix([[1, 2, 3]])

#矩阵相乘

m1=mat([1,2,3]) #1行3列

m2=mat([4,5,6])

m1*m2.T #注意左列与右行相等 m2.T为转置操作

matrix([[32]])

multiply(m1,m2) #执行点乘操作,要使用函数,特别注意

matrix([[ 4, 10, 18]])

#排序

m=mat([[2,5,1],[4,6,2]]) #创建2行3列矩阵

m

matrix([[2, 5, 1],

[4, 6, 2]])

m.sort() #对每一行进行排序

m

matrix([[1, 2, 5],

[2, 4, 6]])

m.shape #获得矩阵的行列数

(2, 3)

m.shape[0] #获得矩阵的行数2 m.shape[1] #获得矩阵的列数3#索引取值

m[1,:] #取得第一行的所有元素

matrix([[2, 4, 6]])

m[1,0:1] #第一行第0个元素,注意左闭右开

matrix([[2]])

m[1,0:3]

matrix([[2, 4, 6]])

m[1,0:2]

matrix([[2, 4]])1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556

扩展矩阵函数tile()

例如,要计算[0,0,0]到一个多维矩阵中每个点的距离,则要将[0,0,0]进行扩展。

tile(inX, (i,j)) ;i是扩展个数,j是扩展长度

实例如下:

x=mat([0,0,0])

x

matrix([[0, 0, 0]])

tile(x,(3,1)) #即将x扩展3个,j=1,表示其列数不变

matrix([[0, 0, 0],

[0, 0, 0],

[0, 0, 0]])

tile(x,(2,2)) #x扩展2次,j=2,横向扩展

matrix([[0, 0, 0, 0, 0, 0],

[0, 0, 0, 0, 0, 0]])1234567891011121314