python - numpy.square 返回稀疏矩阵的错误结果

Question

当将 scipy.sparse 矩阵传递给它时，

numpy.square 似乎给出了不正确的输出:

import numpy as np
import scipy.sparse as S
a = np.array([np.arange(5), np.arange(5), np.arange(5), np.arange(5), np.arange(5)])

a
# array([[0, 1, 2, 3, 4],
#        [0, 1, 2, 3, 4],
#        [0, 1, 2, 3, 4],
#        [0, 1, 2, 3, 4],
#        [0, 1, 2, 3, 4]])

np.square(a)
# array([[ 0,  1,  4,  9, 16],
#        [ 0,  1,  4,  9, 16],
#        [ 0,  1,  4,  9, 16],
#        [ 0,  1,  4,  9, 16],
#        [ 0,  1,  4,  9, 16]])

b = S.lil_matrix(a)
c = np.square(b)
c
# <5x5 sparse matrix of type '<class 'numpy.int64'>'
#   with 20 stored elements in Compressed Sparse Row format>

c[2,2]
# 20
# Expected output is 4, as in np.square(a) output above.

这是一个错误吗？

Answer 1

一般来说，将 scipy.sparse 矩阵传递到以数组(“array_like”)作为输入的 numpy 函数中，会导致未定义/意外的行为。

没有自动稀疏 -> 密集转换。

Numpy 对 Scipy 的稀疏矩阵一无所知。

稀疏矩阵不是 Numpy 理解的意义上的“类似数组”。 然后 numpy 函数所做的就是将稀疏矩阵视为一些未知类型的 Python 对象——通常会将它们放入 1 元素对象数组中，并从那里开始工作。为了返回标量结果，临时对象数组将被丢弃，只返回其中包含的对象，因此很容易错过实际上做了一些奇怪的事情。

对象数组在对其元素(未知的 Python 对象)执行算术等操作时有一些后备措施，包括在需要执行 * 时调用元素的 operator.mul等等。然后将其与上述结果结合起来，形成您所看到的行为。