scipy.sparse.hstack（（[1]，[2]）） - >“ValueError：blocks必须是2-D”。 为什么？

Question

scipy.sparse.hstack((1, [2]))和scipy.sparse.hstack((1, [2]))良好，但不是scipy.sparse.hstack(([1], [2])) 。 为什么会这样？

以下是我系统上发生的情况：

---

C:\Anaconda>python
Python 2.7.10 |Anaconda 2.3.0 (64-bit)| (default, May 28 2015, 16:44:52) [MSC v.
1500 64 bit (AMD64)] on win32
>>> import scipy.sparse
>>> scipy.sparse.hstack((1, [2]))
<1x2 sparse matrix of type '<type 'numpy.int32'>'
        with 2 stored elements in COOrdinate format>
>>> scipy.sparse.hstack((1, 2))
<1x2 sparse matrix of type '<type 'numpy.int32'>'
        with 2 stored elements in COOrdinate format>
>>> scipy.sparse.hstack(([1], [2]))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "C:\Anaconda\lib\site-packages\scipy\sparse\construct.py", line 456, in h
stack
    return bmat([blocks], format=format, dtype=dtype)
  File "C:\Anaconda\lib\site-packages\scipy\sparse\construct.py", line 539, in b
mat
    raise ValueError('blocks must be 2-D')
ValueError: blocks must be 2-D
>>> scipy.version.full_version
'0.16.0'
>>>

Answer 1

在scipy.sparse.hstack((1, [2]))的第一种情况下，数字1被解释为标量值，数字2被解释为密集矩阵，所以当你将这两个东西组合在一起时，数据类型是强制的，因此它们都是标量，你可以正常地将它与scipy.sparse.hstack结合起来。

这里有一些测试表明多个值都是如此：

In [31]: scipy.sparse.hstack((1,2,[3],[4]))
Out[31]: 
<1x4 sparse matrix of type '<type 'numpy.int64'>'
    with 4 stored elements in COOrdinate format>

In [32]: scipy.sparse.hstack((1,2,[3],[4],5,6))
Out[32]: 
<1x6 sparse matrix of type '<type 'numpy.int64'>'
    with 6 stored elements in COOrdinate format>

In [33]: scipy.sparse.hstack((1,[2],[3],[4],5,[6],7))
Out[33]: 
<1x7 sparse matrix of type '<type 'numpy.int64'>'

正如你所看到的，如果你在hstack中至少有一个标量存在，这似乎有效。

但是，当你尝试第二种scipy.sparse.hstack(([1],[2])) ，它们不再是两个标量，而且它们都是密集矩阵，你不能使用scipy.sparse.hstack具有纯密集矩阵的scipy.sparse.hstack 。

重现：

In [34]: scipy.sparse.hstack(([1],[2]))
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-45-cd79952b2e14> in <module>()
----> 1 scipy.sparse.hstack(([1],[2]))

/usr/local/lib/python2.7/site-packages/scipy/sparse/construct.pyc in hstack(blocks, format, dtype)
    451 
    452     """
--> 453     return bmat([blocks], format=format, dtype=dtype)
    454 
    455 

/usr/local/lib/python2.7/site-packages/scipy/sparse/construct.pyc in bmat(blocks, format, dtype)
    531 
    532     if blocks.ndim != 2:
--> 533         raise ValueError('blocks must be 2-D')
    534 
    535     M,N = blocks.shape

ValueError: blocks must be 2-D

有关更多信息，请参阅此文章： 稀疏hstack的Scipy错误

因此，如果要在两个矩阵中成功使用它，则必须先将它们稀疏，然后将它们组合起来：

In [36]: A = scipy.sparse.coo_matrix([1])

In [37]: B = scipy.sparse.coo_matrix([2])

In [38]: C = scipy.sparse.hstack([A, B])

In [39]: C
Out[39]: 
<1x2 sparse matrix of type '<type 'numpy.int64'>'
    with 2 stored elements in COOrdinate format>

---

有趣的是，如果您尝试使用密集版本的hstack或numpy.hstack ，那么它是完全可以接受的：

In [48]: import numpy as np

In [49]: np.hstack((1, [2]))
Out[49]: array([1, 2])

....稀疏矩阵表示的东西¯\\_(ツ)_/¯ 。

Answer 2

编码细节是：

def hstack(blocks ...):
    return bmat([blocks], ...)

def bmat(blocks, ...):
    blocks = np.asarray(blocks, dtype='object')
    if blocks.ndim != 2:
        raise ValueError('blocks must be 2-D')
    (continue)

所以尝试你的替代品（记住额外的[] ）：

In [392]: np.asarray([(1,2)],dtype=object)
Out[392]: array([[1, 2]], dtype=object)

In [393]: np.asarray([(1,[2])],dtype=object)
Out[393]: array([[1, [2]]], dtype=object)

In [394]: np.asarray([([1],[2])],dtype=object)
Out[394]: 
array([[[1],
        [2]]], dtype=object)

In [395]: _.shape
Out[395]: (1, 2, 1)

最后一种情况（您的问题案例）失败，因为结果是3d。

使用2个稀疏矩阵（预期输入）：

In [402]: np.asarray([[a,a]], dtype=object) 
Out[402]: 
array([[ <1x1 sparse matrix of type '<class 'numpy.int32'>'
    with 1 stored elements in COOrdinate format>,
        <1x1 sparse matrix of type '<class 'numpy.int32'>'
    with 1 stored elements in COOrdinate format>]], dtype=object)

In [403]: _.shape
Out[403]: (1, 2)

hstack利用bmat格式，将矩阵列表转换为嵌套（2d）矩阵列表。 bmat意味着将二维稀疏矩阵阵列组合成一个较大的矩阵。 跳过首先制作这些稀疏矩阵的步骤可能会或可能不会起作用。 代码和文档没有做出任何承诺。