Matrices escasas escasas
¿Qué son los datos escasos??
Antes de pasar a explicar cómo usar la función de matrices dispersas en un programa de Python, comprendamos qué son los datos escasos. Es preferible comprender los conceptos básicos antes de pasar a la función real. Los datos escasos son un tipo de datos que se componen principalmente de elementos inútiles. Elementos inútiles significan datos que no llevan ninguna información. En palabras simples, una variedad de datos dispersos contendrá principalmente ceros. Las matrices dispersas son muy comunes al tomar derivados en álgebra lineal mientras trabajan con programación científica.
¿Qué son las matrices escasas escasas??
La biblioteca Scipy del lenguaje de programación de Python proporciona un paquete escaso que se utiliza para tratar datos dispersos. El paquete disperso ofrece dos métodos para usar con matrices y son CSC y CSR. El CSC significa una columna dispersa comprimida que corta las columnas de las matrices. Por otro lado, el método CSR significa la fila escasa comprimida que corta las filas de las matrices y calcula rápidamente el producto vectorial de matriz. Entendamos el funcionamiento de ambos métodos a través de ejemplos.
Ejemplo 1:
Comencemos con un ejemplo simple para comprender las matrices dispersas y los métodos matriciales CSR y CSC de las matrices dispersas proporcionadas por la biblioteca Scipy. Aquí, estamos proporcionando un ejemplo muy simple, solo para mostrarle cómo funciona Scipy para las matrices dispersas. Las matrices dispersas son muy fuertes en comparación con las matrices normales, ya que toman menos tiempo de cálculo y también toman menos memoria, ya que solo tienen que almacenar algunos artículos distintos de cero. En este ejemplo, usaremos la función CSR con la matriz Numpy. Vea el código especificado en el fragmento debajo:
Lo más importante, la biblioteca Numpy se introduce en el programa como NP y luego el SciPy.Se incluye un paquete disperso para importar la función CSR_MATRIX en el programa. Una matriz de 9 elementos que contienen solo 3 elementos distintos de cero y se pasa a la función CSR_MATRIX. El resultado se muestra en el terminal con la ayuda del comando print (). Consulte el resultado calculado por SCR_MATRIX a continuación:
Como teníamos 3 elementos distintos de cero en 0, 1 y 7 posiciones, la CSR_MATRIX devolvió la posición (x, y) de los elementos distintos de cero en la matriz junto con los elementos no cerosos mismos. Así es como el método csr_matrix del scipy.Funciona el paquete disperso.
Ejemplo 2:
Anteriormente, hemos visto un ejemplo básico del método csr_matric. En codificar algo complejo para que podamos comprender mejor la función. En este ejemplo, nuevamente explicamos el método CSR_MATRIC pero con un ejemplo un poco más complejo en comparación con el anterior. Vea el código dado en el fragmento a continuación:
Nuevamente, primero, importamos la biblioteca Numpy como NP en el programa y el Scipy.El paquete disperso se utiliza para importar el CSR_MATRIX. Se declaran dos matrices para fila y columna y se declara otra matriz de datos para crear la matriz. Para la parte de datos del csr_matrix, se pasan los datos, la fila y la matriz col. Para la parte de tipo de datos de la matriz CSR_, (3, 3) se ha proporcionado el valor. Usando el comando de impresión, el resultado se ha mostrado sobre el terminal. Consulte la salida calculada por la función CSR_MATRIX a continuación:
Ejemplo 3:
Hasta ahora, exploramos e intentamos entender las funciones CSR_MATRIX para matrices dispersas. Aquí, explicaremos la función csc_matrix para las matrices dispersas. Usaremos la misma línea de códigos que en el ejemplo anterior solo para mostrarle la clara diferencia en el funcionamiento de csc_matrix y csr_matrix. Veamos cómo funciona CSC_Matrix cuando se aplica a la matriz utilizada en el primer ejemplo:
Como puede observar, todas las líneas de código son las mismas, así como los datos, solo la función csr_matric se reemplaza con la función csc_matrix. Ahora, veamos el resultado de la función dada en la captura de pantalla a continuación:
Como puede ver, obtuvimos el mismo resultado aquí que lo hicimos en el primer ejemplo. El csc_matrix también devolvió la posición de todos los valores distintos de cero en forma de una combinación (x, y). La matriz tiene 1, 2, 2 en las posiciones 0, 1 y 7, y eso es devuelto por la función CSC_MATRIX.
Ejemplo 4:
Ahora, replicemos el segundo ejemplo y reemplacemos la función csr_matrix con csc_matrix.
Como puede tener en cuenta claramente que el código es exactamente el mismo que se usa en el ejemplo anterior, el único cambio aquí es la función CSR_MATRIX reemplazada por la función CSC_MATRIX. Ahora, veamos si el resultado ha cambiado o no. La salida se da en la captura de pantalla a continuación, eche un vistazo:
Como se ve en la salida, el resultado es el mismo para CSR_MATRIX y CSC_MATRIX.
Conclusión
Este artículo es una visión general rápida de las matrices escasas escasas. Exploramos que los datos dispersos son un tipo de datos que en su mayoría tienen ceros o tipo de datos no utilizados. Los datos no utilizados son algo que no transmite ninguna información significativa. Las matrices escasas escasas en Python se usan más en la programación científica. Las matrices escasas de la biblioteca Scipy ofrecen dos métodos, CSR_MATRIX y CSC_MATRIX. La función CSR_MATRIX se usa para el corte de fila y la función CSC_MATRIX se usa para el corte de columna de una matriz. Los ejemplos dados se pueden usar para comprender cómo funcionan las funciones CSR_MATRIX y CSC_MATRIX en un programa de Python.