sprs是用纯Rust实现的部分稀疏矩阵数据结构和线性代数算法

特性

结构

• 矩阵

• 三元组矩阵

• 稀疏向量

运算

• 稀疏矩阵 / 稀疏向量积

• 稀疏矩阵 / 稀疏矩阵积

• 稀疏矩阵 / 稀疏矩阵加法，减法

• 稀疏向量 / 稀疏向量加法，减法，点积

• 稀疏 / 稠密矩阵运算

算法

• 压缩稀疏矩阵的外部迭代器

• 稀疏向量迭代

• 稀疏向量联合非零迭代

• 简单的稀疏矩阵Cholesky分解 (需要选择接受 LGPL 许可)

• 等式右侧为稠密矩阵或向量情况下的稀疏矩阵解三角方程组

示例

矩阵创建

use sprs::TriMat;let mut a = TriMat::new((4, 4));
a.add_triplet(0, 0, 3.0_f64);
a.add_triplet(1, 2, 2.0);
a.add_triplet(3, 0, -2.0);// 这个矩阵类型不允许进行计算，需要
// 转换为兼容的稀疏矩阵类型，例如
let b = a.to_csr();

用更高效直接的稀疏矩阵生成器来构建矩阵

  use sprs::{CsMat, CsMatOwned, CsVec};let eye : CsMatOwned<f64> = CsMat::eye(3);let a = CsMat::new_csc((3, 3),vec![0, 2, 4, 5],vec![0, 1, 0, 2, 2],vec![1., 2., 3., 4., 5.]);

矩阵向量乘法

  use sprs::{CsMat, CsVec};let eye = CsMat::eye(5);let x = CsVec::new(5, vec![0, 2, 4], vec![1., 2., 3.]);let y = &eye * &x;assert_eq!(x, y);

矩阵乘法，加法

  use sprs::{CsMat, CsVec};let eye = CsMat::eye(3);let a = CsMat::new_csc((3, 3),vec![0, 2, 4, 5],vec![0, 1, 0, 2, 2],vec![1., 2., 3., 4., 5.]);let b = &eye * &a;assert_eq!(a, b.to_csr());

其他示例

pub mod array_backend;
pub mod errors;
pub mod indexing;
pub mod io;
pub mod num_kinds;
mod sparse;
pub mod stack;pub type Ix1 = ndarray::Ix1;
pub type Ix2 = ndarray::Ix2;pub use crate::indexing::SpIndex;pub use crate::sparse::{csmat::CsIter, csmat::OuterIterator, csmat::OuterIteratorMut,csmat::OuterIteratorPerm, kronecker::kronecker_product, CsMat, CsMatBase,CsMatI, CsMatVecView, CsMatView, CsMatViewI, CsMatViewMut, CsMatViewMutI,CsStructure, CsStructureI, CsStructureView, CsStructureViewI, CsVec,CsVecBase, CsVecI, CsVecView, CsVecViewI, CsVecViewMut, CsVecViewMutI,SparseMat, TriMat, TriMatBase, TriMatI, TriMatIter, TriMatView,TriMatViewI, TriMatViewMut, TriMatViewMutI,
};pub use crate::sparse::symmetric::is_symmetric;pub use crate::sparse::permutation::{perm_is_valid, transform_mat_papt, PermOwned, PermOwnedI, PermView,PermViewI, Permutation,
};pub use crate::sparse::CompressedStorage::{self, CSC, CSR};pub use crate::sparse::binop;
pub use crate::sparse::linalg;
pub use crate::sparse::prod;
pub use crate::sparse::smmp;
pub use crate::sparse::special_mats;
pub use crate::sparse::visu;pub mod vec {pub use crate::sparse::{CsVec, CsVecBase, CsVecView, CsVecViewMut};pub use crate::sparse::vec::{IntoSparseVecIter, NnzEither, NnzIndex, NnzOrZip, SparseIterTools,VecDim, VectorIterator, VectorIteratorMut,};
}pub use crate::sparse::construct::{bmat, hstack, vstack};pub use crate::sparse::to_dense::assign_to_dense;/// 矩阵的形状，第一个元素表明这是一个双元素元组
/// 行数, 第二个元素表明列数
pub type Shape = (usize, usize); // FIXME: 或许此处可以用Ix2?pub type SpRes<T> = Result<T, errors::SprsError>;/// 用枚举作为配置项来对算法进行对称性检查
#[derive(Copy, Clone, Eq, PartialEq, Debug)]
pub enum SymmetryCheck {CheckSymmetry,DontCheckSymmetry,
}
pub use SymmetryCheck::*;/// 用枚举作为配置项来对算法进行排列检查
#[derive(Copy, Clone, Eq, PartialEq, Debug)]
pub enum PermutationCheck {CheckPerm,DontCheckPerm,
}
pub use PermutationCheck::*;/// sprs支持的不同种类的填充归约算法
#[derive(Copy, Clone, Eq, PartialEq, Debug)]
#[non_exhaustive]
pub enum FillInReduction {NoReduction,ReverseCuthillMcKee,CAMDSuiteSparse,
}#[cfg(feature = "approx")]
/// 用于比较向量和矩阵的特征使用了近似特征
///
/// 使用不同的存储来比较稀疏矩阵可能会很慢
/// 为了高效，建议使用同样的存储顺序
///
/// 这些特征需要 `approx` 特性在激活状态
pub mod approx {pub use approx::{AbsDiffEq, RelativeEq, UlpsEq};
}#[cfg(test)]
mod test_data;#[cfg(test)]
mod test {use super::CsMat;#[test]fn iter_rbr() {let mat = CsMat::new((3, 3),vec![0, 2, 3, 3],vec![1, 2, 0],vec![0.1, 0.2, 0.3],);let view = mat.view();let mut iter = view.iter();assert_eq!(iter.next(), Some((&0.1, (0, 1))));assert_eq!(iter.next(), Some((&0.2, (0, 2))));assert_eq!(iter.next(), Some((&0.3, (1, 0))));assert_eq!(iter.next(), None);}
}