Вот bsr
представление вашего массива.
Используйте обычную (2,3) csr
матрицу, чтобы найти indices
и indptr
для блоков:
In [335]: M1 = sparse.csr_matrix([[0,1,1],[1,0,0]])
In [336]: M1.A
Out[336]:
array([[0, 1, 1],
[1, 0, 0]], dtype=int64)
Определите блоки data
.Мне пришлось заказать их в соответствии с макетом M1:
In [337]: data = np.arange(1,10).reshape(3,1,3)[[0,2,1],:]
In [338]: data
Out[338]:
array([[[1, 2, 3]],
[[7, 8, 9]],
[[4, 5, 6]]])
Теперь создайте матрицу bsr
:
In [339]: M = sparse.bsr_matrix((data, M1.indices, M1.indptr), shape=(2,9))
In [340]: M
Out[340]:
<2x9 sparse matrix of type '<class 'numpy.int64'>'
with 9 stored elements (blocksize = 1x3) in Block Sparse Row format>
In [341]: M.A
Out[341]:
array([[0, 0, 0, 1, 2, 3, 7, 8, 9],
[4, 5, 6, 0, 0, 0, 0, 0, 0]])
Она представляет собой матрицу (2,9), но значенияхранятся 3 (1,3)
блоков.Для отображения и большинства расчетов он преобразуется в более обычную матрицу csr
.
Эта информация также может храниться в виде словаря:
In [349]: adict = {}
In [350]: adict[(0,1)] = data[0]
...: adict[(0,2)] = data[1]
...: adict[(1,0)] = data[2]
...:
...:
In [351]: adict
Out[351]:
{(0, 1): array([[1, 2, 3]]),
(0, 2): array([[7, 8, 9]]),
(1, 0): array([[4, 5, 6]])}
sparse.dok_matrix
также является dict
подкласс.Но он не принимает dtype=object
, что является единственным способом хранения массивов в качестве элементов.