Matlab 稀疏函数 v.s。 Python Scipy.sparse 图书馆

Question

我正在将 Matlab 代码翻译成 Python 环境，现在在 Matlab 中使用稀疏函数进行处理。我知道我们有一个名为 scipy.sparse 的库，其中之一是 csc_matrix((data, (row_ind, col_ind)), [shape=(M, N)]).

但是，当我检查从 scipy.sparse 库计算的那些时，它们与来自 Matlab 的不匹配。我有大小为 1693872 的大数据，称为 Ig (1693872,)、Jg(1693872,) 和 K_dummy (1693872,)，其中 K_dummy(Ig(i),Jg(i)) = K_dummy(i)。

我已经用 Matlab 检查了所有变量，Ig、Jg、K_dummy 并完美匹配。你们有什么想法我必须考虑其他方面吗？

下面是我在python和Matlab中的示例代码，分别作为参考：

K = csc_matrix((K_dummy.flatten('F'),(Ig.flatten('F')-1,Jg.flatten('F')-1)),shape=(noDofs,noDofs))

K = sparse(Ig(:),Jg(:),K_dummy_python(:),noDofs,noDofs);

其中K_dummy是(18, 18, 5228)数组，Ig是(324, 5228)数组，Jg是(324, 5228)数组，noDofs 是一个 int 变量，如 42442.

Answer 1

八度：

>> data=[1,2;3,4];
>> I=[1,2,3,4];
>> J=[2,3,4,2];
>> M = sparse(I(:),J(:),data(:))
M =

Compressed Column Sparse (rows = 4, cols = 4, nnz = 4 [25%])

  (1, 2) ->  1
  (4, 2) ->  4
  (2, 3) ->  3
  (3, 4) ->  2

>> full(M)
ans =

   0   1   0   0
   0   0   3   0
   0   0   0   2
   0   4   0   0

>> save -7 sparse1.mat data I J M

在 numpy 中与 scipy.io 和 scipy.sparse:

In [57]: d = loadmat('sparse1.mat')                                                              
In [58]: d                                                                                       
Out[58]: 
{'__header__': b'MATLAB 5.0 MAT-file, written by Octave 4.2.2, 2020-01-26 19:36:04 UTC',
 '__version__': '1.0',
 '__globals__': [],
 'data': array([[1., 2.],
        [3., 4.]]),
 'I': array([[1., 2., 3., 4.]]),
 'J': array([[2., 3., 4., 2.]]),
 'M': <4x4 sparse matrix of type '<class 'numpy.float64'>'
    with 4 stored elements in Compressed Sparse Column format>}

并查看稀疏矩阵：

In [59]: d['M'].A                                                                                
Out[59]: 
array([[0., 1., 0., 0.],
       [0., 0., 3., 0.],
       [0., 0., 0., 2.],
       [0., 4., 0., 0.]])
In [60]: print(d['M'])                                                                           
  (0, 1)    1.0
  (3, 1)    4.0
  (1, 2)    3.0
  (2, 3)    2.0

并重新创建矩阵

In [61]: M1 = sparse.csc_matrix((d['data'].flatten('F'), 
                (d['I'].astype(int).flatten('F')-1, 
                 d['J'].astype(int).flatten('F')-1)))                                                        
In [62]: M1                                                                                      
Out[62]: 
<4x4 sparse matrix of type '<class 'numpy.float64'>'
    with 4 stored elements in Compressed Sparse Column format>
In [63]: M1.A                                                                                    
Out[63]: 
array([[0., 1., 0., 0.],
       [0., 0., 3., 0.],
       [0., 0., 0., 2.],
       [0., 4., 0., 0.]])
In [64]: print(M1)                                                                               
  (0, 1)    1.0
  (3, 1)    4.0
  (1, 2)    3.0
  (2, 3)    2.0

使用较新的 numpy/scipy 我不得不将索引转换为整数（他们对浮点数作为索引更加挑剔）。但扁平化似乎效果很好。

你在所有这些变量中都有一个额外的维度，我懒得重新创建。正确展平可能会导致您的问题。

Matlab 稀疏函数 v.s。 Python Scipy.sparse 图书馆

Matlab Sparse function v.s. Python Scipy.sparse library

python

matlab

scipy

sparse-matrix