2.5.2.2.4. 座標格納方式 (COO)

• ‘ijv’ または 三つ組 ‘triplet’ 格納形式としてもしられます

  • 3つの NumPy 配列: row, col, data

  • data[i] は (row[i], col[j]) の位置の値です

  • 要素は重複しても構いません

  • _data_matrix (.data 属性を持つ疎行列) の派生クラス

• 疎行列に構築が高速な格納方式

• コンストラクタは以下を受け付けます:

  • 密行列(配列)

  • 疎行列

  • シェイプタプル (空の行列を作ります)

  • (data, ij) タプル

• CSR/CSC 格納形式への変換、CSR/CSC 格納形式からの変換がとても高速です

• 高速な行列 * ベクトル (sparsetools)

• 高速で簡単な要素毎の演算

  • データ配列の直接的な操作 (Numpy の高速な仕組み)

• スライスは算術ができません(直接は)

• 利用:

  • 疎行列の格納方式の高速な変換の補助

  • 他の形式 (たいてい CSR か CSC) に変換する場合、重複する要素は足し合わせられます

    • 有限要素行列を効率的に構築するの助けとなります

2.5.2.2.4.1. 例

• 空の COO 行列を作る:

  >>> mtx = sparse.coo_matrix((3, 4), dtype=np.int8)
  >>> mtx.todense()
  matrix([[0, 0, 0, 0],
          [0, 0, 0, 0],
          [0, 0, 0, 0]], dtype=int8)
  

• (data, ij) タプルを利用して作る:

  >>> row = np.array([0, 3, 1, 0])
  >>> col = np.array([0, 3, 1, 2])
  >>> data = np.array([4, 5, 7, 9])
  >>> mtx = sparse.coo_matrix((data, (row, col)), shape=(4, 4))
  >>> mtx     
  <4x4 sparse matrix of type '<... 'numpy.int64'>'
          with 4 stored elements in COOrdinate format>
  >>> mtx.todense()
  matrix([[4, 0, 9, 0],
          [0, 7, 0, 0],
          [0, 0, 0, 0],
          [0, 0, 0, 5]])
  

• 重複する要素は足し合わされます:

  >>> row = np.array([0, 0, 1, 3, 1, 0, 0])
  >>> col = np.array([0, 2, 1, 3, 1, 0, 0])
  >>> data = np.array([1, 1, 1, 1, 1, 1, 1])
  >>> mtx = sparse.coo_matrix((data, (row, col)), shape=(4, 4))
  >>> mtx.todense()
  matrix([[3, 0, 1, 0],
          [0, 2, 0, 0],
          [0, 0, 0, 0],
          [0, 0, 0, 1]])
  

• スライスできません...:

  >>> mtx[2, 3]   
  Traceback (most recent call last):
  ...
  TypeError: 'coo_matrix' object ...