Julia生成含N个随机1的N×N稀疏矩阵的最优方法咨询

我来帮你解决这个问题！要生成正好包含N个随机分布1的N×N稀疏矩阵，我们可以用两种精准的方法，同时我会帮你理清之前用sprand踩坑的原因。

方法一：手动生成唯一坐标构造稀疏矩阵 #

这种方法直接生成N个不重复的(行,列)坐标对，再用SparseArrays包的sparse函数构造矩阵，能确保正好有N个1：

using SparseArrays, StatsBase  # 需要StatsBase的sample函数生成唯一索引

function create_sparse_N_ones(N::Int)
    # 生成N个唯一的线性索引（范围1到N²）
    linear_indices = sample(1:N^2, N, replace=false)
    # 将线性索引转换为笛卡尔坐标（行和列）
    cart_indices = CartesianIndices((N, N))[linear_indices]
    rows = getindex.(cart_indices, 1)
    cols = getindex.(cart_indices, 2)
    # 构造稀疏矩阵：行索引、列索引、值、矩阵尺寸
    return sparse(rows, cols, ones(N), N, N)
end

测试验证：

N = 5
sp_mat = create_sparse_N_ones(N)
count(!iszero, sp_mat)  # 输出应为5，确认非零元素数量正确

方法二：通过布尔掩码转换 #

先创建一个包含N个true的布尔矩阵，再转成稀疏矩阵，逻辑更直观：

using SparseArrays, StatsBase

function create_sparse_N_ones(N::Int)
    # 初始化全false的一维数组，长度为N×N
    mask = falses(N*N)
    # 随机选N个位置设为true
    mask[sample(1:N*N, N, replace=false)] .= true
    # 把一维数组reshape成N×N矩阵，再转稀疏
    return sparse(reshape(mask, N, N))
end

为什么直接用sprand会出问题？ #

你之前用sprand报错或达不到需求，大概率是因为对它的参数逻辑理解不对：

• sprand(m, n, density)的第三个参数是非零元素的概率密度，不是精确的数量。比如你要N个1，密度是1/N，但sprand(N, N, 1/N)生成的非零元数量是随机波动的（围绕N上下浮动），无法保证正好是N个。
• 如果错误传入sprand(N, N, 1)，会生成全1的稀疏矩阵，这显然不符合你的需求。

如果只是需要近似效果（不要求精确N个1），可以这么用sprand，但不推荐用于有精确数量要求的场景：

using SparseArrays
sp_mat = sprand(N, N, 1/N)
# 将所有非零值替换为1
sp_mat.nzval .= 1

内容的提问来源于stack exchange，提问作者Xentro