在 scipy 中创建稀疏矩阵时，覆盖而不是添加重复的三元组

在 scipy 中，要从三重格式数据（行、列和数据数组）创建稀疏矩阵，默认行为是对所有重复项的数据值求和。我可以更改此行为以覆盖（或不执行任何操作）吗？

例如：

import scipy.sparse as sparse

rows = [0, 0]
cols = [0, 0]
data = [1, 1]
S = sparse.coo_matrix((data, (rows, cols)))

Here, S.todense()等于matrix([[2]])但我希望它是matrix([[1]]).

In the 稀疏.coo_matrix的文档 https://docs.scipy.org/doc/scipy-0.18.1/reference/generated/scipy.sparse.coo_matrix.html，它写着

默认情况下，转换为 CSR 或 CSC 格式时，重复 (i,j) 条目将被汇总在一起。这有利于高效 有限元矩阵的构造等。

从该表述看来，除了默认值之外，可能还有其他选项。

我在 scipy github 上看到过关于对这个求和给予更多控制的讨论，但我不知道有任何生产变化。正如文档所示，对重复项求和有一个长期存在的传统。

创建时，coo矩阵不求和；它只是将您的参数分配给它的属性：

In [697]: S = sparse.coo_matrix((data, (rows, cols)))
In [698]: S.data
Out[698]: array([1, 1])
In [699]: S.row
Out[699]: array([0, 0], dtype=int32)
In [700]: S.col
Out[700]: array([0, 0], dtype=int32)

转换为密集（或 csr/csc）确实求和 - 但不会改变S itself:

In [701]: S.A
Out[701]: array([[2]])
In [702]: S.data
Out[702]: array([1, 1])

您可以使用以下命令就地执行求和：

In [703]: S.sum_duplicates()
In [704]: S.data
Out[704]: array([2], dtype=int32)

我不知道有什么方法可以删除重复项或绕过该操作。我可以查一下相关问题。

=================

S.todok()进行就地求和（即改变S）。查看该代码我发现它调用self.sum_duplicates。以下复制了没有总和的情况：

In [727]: dok=sparse.dok_matrix((S.shape),dtype=S.dtype)
In [728]: dok.update(zip(zip(S.row,S.col),S.data))
In [729]: dok
Out[729]: 
<1x1 sparse matrix of type '<class 'numpy.int32'>'
    with 1 stored elements in Dictionary Of Keys format>
In [730]: print(dok)
  (0, 0)    1
In [731]: S
Out[731]: 
<1x1 sparse matrix of type '<class 'numpy.int32'>'
    with 2 stored elements in COOrdinate format>
In [732]: dok.A
Out[732]: array([[1]])

这是字典更新，因此最终值是最后一个重复项。我在其他地方发现dok.update是一种向稀疏矩阵添加值的快速方法。

tocsr本质上就是求和；tolil uses tocsr;所以这todok方法可能是最简单的。