scipy.sparse 的 numpy.any(axis=i)

Question

import numpy
a = numpy.array([
    [0, 1, 0, 0],
    [1, 0, 0, 0],
    [0, 0, 1, 0],
    [0, 0, 0, 0],
    [0, 0, 0, 0],
])
numpy.any(a, axis=0)
numpy.any(a, axis=1)

生产

array([ True,  True,  True, False])
array([ True,  True,  True, False, False])

但是，之后

from scipy import sparse
a = sparse.csr_matrix(a)

同样的numpy.any(a, axis) 调用产生

<5x4 sparse matrix of type '<class 'numpy.intc'>'
        with 3 stored elements in Compressed Sparse Row format>

和

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "<__array_function__ internals>", line 5, in any
  File "C:\Users\user\.conda\envs\py385\lib\site-packages\numpy\core\fromnumeric.py", line 2330, in any
    return _wrapreduction(a, np.logical_or, 'any', axis, None, out, keepdims=keepdims)
  File "C:\Users\user\.conda\envs\py385\lib\site-packages\numpy\core\fromnumeric.py", line 87, in _wrapreduction
    return ufunc.reduce(obj, axis, dtype, out, **passkwargs)
numpy.AxisError: axis 1 is out of bounds for array of dimension 0

当然，a 实际上是一个非常大的稀疏矩阵，因此无法转换为普通的numpy 数组。如何为 csr_matrix 和其他 scipy.sparse 矩阵获得相同（或等效）的结果？

添加：

根据Usage information in official scipy documentation，

尽管它们与 NumPy 数组相似，但强烈建议直接在这些矩阵上使用 NumPy 函数，因为 NumPy 可能无法正确转换它们以进行计算，从而导致意外（和不正确）的结果。如果您确实想对这些矩阵应用 NumPy 函数，首先检查 SciPy 是否对给定的稀疏矩阵类有自己的实现，或者将稀疏矩阵转换为 NumPy 数组（例如，使用 toarray() 类的方法），然后再应用该方法。

我正在寻找“它自己的实现”或等效的。

Answer 1

你可以在 bool 数组上使用 sum 而不是 any

import numpy
a = numpy.array([
    [0, 1, 0, 0],
    [1, 0, 0, 0],
    [0, 0, 1, 0],
    [0, 0, 0, 0],
    [0, 0, 0, 0],
])

from scipy import sparse
a = sparse.csr_matrix(a.astype(bool))
# Use sum instead of any on a bool array
print(a.sum(axis=0).astype(bool))
print(a.sum(axis=1).flatten().astype(bool))

输出：

[[ True  True  True False]]
[[ True  True  True False False]]

如果你想做“所有”，那会有点棘手，因为 scipy 似乎没有“产品”的实现。 但this post 对此案有答案。