以可移植数据格式保存/加载scipy稀疏csr_matrix

Question

如何csr_matrix以可移植格式保存/加载稀疏稀疏？稀疏稀疏矩阵是在Python 3（Windows 64位）上创建的，以在Python 2（Linux 64位）上运行。最初，我使用pickle（协议= 2，fix_imports = True），但是从Python 3.2.2（Windows 64位）到Python 2.7.2（Windows 32位）不起作用，并出现错误：

TypeError: ('data type not understood', <built-in function _reconstruct>, (<type 'numpy.ndarray'>, (0,), '[98]')).

接下来，尝试了numpy.save，numpy.load以及scipy.io.mmwrite()和，scipy.io.mmread()并且这些方法都不起作用。

Answer 1

&nbsp;SciPy 1.19现在具有scipy.sparse.save_npz和scipy.sparse.load_npz。from scipy import sparsesparse.save_npz("yourmatrix.npz", your_matrix)your_matrix_back = sparse.load_npz("yourmatrix.npz")对于这两个函数，file参数也可以是类似文件的对象（即的结果open），而不是文件名。从Scipy用户组得到了答案：一个csr_matrix有3个数据属性此事：.data，.indices，和.indptr。都是简单的ndarray，因此numpy.save可以在它们上使用。用numpy.save或保存三个数组，用numpy.savez加载它们numpy.load，然后用以下方法重新创建稀疏矩阵对象：new_csr = csr_matrix((data, indices, indptr), shape=(M, N))因此，例如：def save_sparse_csr(filename, array):&nbsp; &nbsp; np.savez(filename, data=array.data, indices=array.indices,&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;indptr=array.indptr, shape=array.shape)def load_sparse_csr(filename):&nbsp; &nbsp; loader = np.load(filename)&nbsp; &nbsp; return csr_matrix((loader['data'], loader['indices'], loader['indptr']),&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; shape=loader['shape'])

Answer 2

虽然你写的，scipy.io.mmwrite并且scipy.io.mmread不适合你的工作，我只想补充它们的工作原理。这个问题是没有。1 Google命中，所以我本人开始np.savez并开始使用pickle.dump简单明显的scipy函数。它们为我工作，不应该由尚未尝试过它们的人监督。from scipy import sparse, iom = sparse.csr_matrix([[0,0,0],[1,0,0],[0,1,0]])m&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; # <3x3 sparse matrix of type '<type 'numpy.int64'>' with 2 stored elements in Compressed Sparse Row format>io.mmwrite("test.mtx", m)del mnewm = io.mmread("test.mtx")newm&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;# <3x3 sparse matrix of type '<type 'numpy.int32'>' with 2 stored elements in COOrdinate format>newm.tocsr()&nbsp; &nbsp;# <3x3 sparse matrix of type '<type 'numpy.int32'>' with 2 stored elements in Compressed Sparse Row format>newm.toarray() # array([[0, 0, 0], [1, 0, 0], [0, 1, 0]], dtype=int32)