如何从含索引与值的TXT文件生成scipy稀疏矩阵或numpy数组

直接基于现有TXT结构生成目标数据结构的实现非常简单，不需要调整现有文件格式，以下是两种常用场景的代码实现： #

方案1：生成scipy稀疏矩阵（适合大矩阵，内存占用低） #

scipy的coo_matrix原生支持「行索引、列索引、对应值」的三元组输入，完全匹配你的TXT文件结构，未指定位置默认值为0，刚好符合需求。

代码示例 #

import numpy as np
from scipy.sparse import coo_matrix

# 第一步：读取TXT文件的三元组数据，直接按列拆分
data = np.loadtxt("你的文件路径.txt")
row = data[:, 0].astype(int)  # x轴索引（行索引）转整数
col = data[:, 1].astype(int)  # y轴索引（列索引）转整数
val = data[:, 2]  # 矩阵对应位置数值

# 第二步：生成COO格式稀疏矩阵
# 如果你已知矩阵的行列数，可以手动指定shape参数，比如shape=(5,5)代表5行5列的矩阵
# 不指定shape的话会自动取行/列索引的最大值+1作为矩阵的对应维度
sparse_mat = coo_matrix((val, (row, col)))

# 如果需要转成其他稀疏格式（比如csr用于快速运算），直接调用对应方法即可
csr_mat = sparse_mat.tocsr()

方案2：生成numpy稠密数组 #

如果矩阵规模小，需要直接得到稠密numpy数组，可以在上述代码基础上直接调用toarray()方法：

# 接上面读取row、col、val的代码
dense_mat = coo_matrix((val, (row, col))).toarray()

# 也可以手动初始化全0数组后赋值，适合需要自定义矩阵大小的场景
# 比如你需要生成10行10列的矩阵：
# dense_mat = np.zeros((10, 10))
# dense_mat[row, col] = val

示例验证 #

用你给出的示例文件内容运行上述代码，得到的数组结果如下：

[[4.  5.2 2.1]
 [2.1 2.9 3.1]]

完全符合预期。

内容的提问来源于stack exchange，提问作者12213119