tmp_coo = sp . coo_matrix ( a_matrix ) values = tmp_coo . data indices = np . vstack ( ( tmp_coo . row , tmp_coo . col ) ) i = torch . LongTensor ( indices ) v = torch . LongTensor ( values ) edge_idx = torch . sparse_coo_tensor ( i , v , tmp_coo . shape )

另：邻接矩阵和edgelist格式转换，可通过networkx来做

import networkx as nx
# matrix是邻接矩阵
g=nx.from_numpy_matrix(matrix)
edge_list=nx.to_edgelist(g)
# 此时的edge_list的结构，是[[idx,idx,weight{}],...]，可以自行取出来前面的idx。
                    没办法直接转换，需要借助numpy转换。import numpy as npimport scipy.sparse as sp# a_matrix 是一个邻接矩阵tmp_coo=sp.coo_matrix(a_matrix)values=tmp_coo.dataindices=np.vstack((tmp_coo.row,tmp_coo.col))i=torch.LongTensor(indices)v=torch.LongTensor(values)edge_idx=torch.spar
rom torch_sparse import SparseTensor
adj = SparseTensor(row=edge_index[0], col=edge_index[1], value=...,
                   sparse_sizes=(num_nodes, num_nodes))
# value is optional and can b
r_arr [[ 0.65603592  0.39908438  0.44722351  0.92652759]
 [ 0.32357477  0.45384697  0.31687359  0.73861219]
 [ 0.3534119   0.12693696  0.1570176
col=np.array([1,3,0,2])
data=np.ones(4)
sparse_matrix=sparse.coo_matrix((data,(row,col)),shape=(4,4)).toarray()
其中包含四个参数：
（1）da
				
当对离散数据进行拟合预测时，往往要对特征进行onehot处理，但onehot是高度稀疏的向量，如果使用List或其他常规的存储方式，对内存占用极大。
这时稀疏矩阵类型 coo_matrix / csr_matrix 就派上用场了！
这两种稀疏矩阵类型csr_matrix存储密度更大，但不易手工构建。coo_matrix存储密度相对小，但易于手工构建，常用方法为先手工构建coo_matrix，...
				
一、scipy.sparse.coo_matrix是关于稀疏矩阵的类
classscipy.sparse.coo_matrix(arg1,shape=None,dtype=None,copy=False)[source]
A sparse matrix in COOrdinate format.
	Also known as the ‘ijv’ or ‘triplet’ format.
This can be instantiated in several ways:
coo_matrix(D...
				
values =X_train.data
indices = np.vstack((X_train.row, X_train.col))
i = torch.LongTensor(indices)
v = torch.FloatTensor(values)
shape = X_train.shape
X_train=torch.sparse.FloatTensor(i, v, torch.Size(shape))
转换为scipy.sparse：.tocoo（）即可
				
在使用PyG框架的时候，PyG要求输入的是 edge_index 格式，而不是我们所使用的邻接矩阵格式,即N x N。
import scipy.sparse as sp
import numpy as np
import torch
# adj_matrix 是邻接矩阵
tmp_coo = sp.coo_matrix(adj_matrix)
values = tmp_coo.data
indices = np.vstack((tmp_coo.row,tmp_coo.col))
i = torch.Lon
import scipy.sparse as sp
import torch
a = np.array([[1,0,0,1,0],[0,1,1,0,0],[0,0,0,0,1],[1,0,0,0,1],[0,0,1,0,0]])
a = sp.coo_matrix(a,shape=(5,5))
sparse_mx = a.tocoo().astype(np.f...