scipy.sparse中diags函数的作用（意思）解读

(scipy.sparse中diags函数的作用（意思）解读)

在看GCN代码时，有个处理矩阵的函数diags函数，diagonal是对矩阵进行对角化的意思，再看源码的过程中，有一些例子，我下面对这些例子进行解释。

下面是源码：

from scipy.sparse import diags
#这个定义的是对角的元素，这个对角的元素有三个，每一个都是一个列表形式

>>> diagonals = [[1, 2, 3, 4], [1, 2, 3], [1, 2]]  
# 使用diags函数，该函数的第二个变量为对角矩阵的偏移量，
0：代表不偏移，就是(0,0)(1，1)(2，2)(3，3)...这样的方式写
k：正数：代表像正对角线的斜上方偏移k个单位的那一列对角线上的元素。
-k：负数，代表向正对角线的斜下方便宜k个单位的那一列对角线上的元素，

由此看下边输出

>>> diags(diagonals, [0, -1, 2]).toarray()
array([[1, 0, 1, 0],
       [1, 2, 0, 2],
       [0, 2, 3, 0],
       [0, 0, 3, 4]])

第一个参数的第一个元素是[1,2,3,4],对应的第2个参数的数是0，所以1，2，3，4分别在结果的矩阵的(0,0)(1,1)(2,2)(3,3)位置。

第1个参数的第2个元素是[1,2,3]，对应的第2个参数的数是-1，所以1,2,3分别放在(1,0)(2,1)(3,2)的位置。

第1个参数的第三个元素是[1,2],对应的第2个参数的数是2，所以1，2分别放在(0,2)(1,3)的位置上，其余地方补0就好。因为对角矩阵肯定是个方阵，所以就最后就是4*4的方阵。

Broadcasting of scalars is supported (but shape needs to be
specified):

>>> diags([1, -2, 1], [-1, 0, 1], shape=(4, 4)).toarray()
array([[-2.,  1.,  0.,  0.],
       [ 1., -2.,  1.,  0.],
       [ 0.,  1., -2.,  1.],
       [ 0.,  0.,  1., -2.]])

这种情况，第一个参数是一个一维数组，第二个参数也是一个列表，这就需要把第一个参数列表（数组）中的每个元素都与第二个参数的每个元素进行对应，所以就是下面这种情况。

第1个参数的第1个元素是1,对应的第2个参数的数是-1，，而且后边规定了是4*4的方阵，1首先放的位置是(1,0)，所以此对角线的元素都为1，所以1分别在结果的矩阵的(1,0)(2,1)(3,2)位置。

第1个参数的第2个元素是-2，对应的第2个参数的数是0，所以-2分别放在(0,0)(1,1)(2,2)(3,3)的位置。

第1个参数的第3个元素是1,对应的第2个参数的数是1，所以1分别放在(0,1)(1,2)(2,3)的位置上，其余地方补0就好。

If only one diagonal is wanted (as in `numpy.diag`), the following
works as well:

>>> diags([1, 2, 3], 1).toarray()
array([[ 0.,  1.,  0.,  0.],
       [ 0.,  0.,  2.,  0.],
       [ 0.,  0.,  0.,  3.],
       [ 0.,  0.,  0.,  0.]])

这种情况，第一个参数是一个一维数组，第二个参数是一个数，这就需要把第一个参数列表（数组）作为整体与第二个参数进行对应，所以就是下面这种情况。

第1个参数的第1个元素是[1,2,3]对应的第2个参数的数是1，1,2,3分别放的位置是(0,1)(1,2)(2,3)其余地方补0就好