C++实现稀疏矩阵的压缩存储

C++实现稀疏矩阵的压缩存储什么是稀疏矩阵呢,就是在M*N的矩阵中,有效值的个数远小于无效值的个数,并且这些数据的分布没有规律。

什么是稀疏矩阵呢,就是在M*N的矩阵中,有效值的个数远小于无效值的个数,并且这些数据的分布没有规律。在压缩存储稀疏矩阵的时候我们只存储极少数的有效数据。我们在这里使用三元组存储每一个有效数据,三元组按原矩阵中的位置,以行优先级先后次序依次存放。下面我们来看一下代码实现。

  1. #include<iostream>

  2. #include<vector>

  3. #include<assert.h>

  4. usingnamespace std;

  5. template<class T>

  6. class SparseMatrix

  7. {

  8. //三元组

  9. template<class T>

  10. struct Trituple

  11. {

  12. Trituple()//给一个默认构造函数

  13. {}

  14. Trituple(size_t row, size_t col, const T& data)

  15. :_row(row)

  16. ,_col(col)

  17. ,_data(data)

  18. {}

  19. size_t _row;

  20. size_t _col;

  21. T _data;

  22. };

  23. public:

  24. //稀疏矩阵的压缩存储

  25. SparseMatrix()

  26. {}

  27. SparseMatrix(int* arr, size_t row, size_t col, const T& invalid)

  28. :_row(row)

  29. ,_col(col)

  30. ,_invalid(invalid)

  31. {

  32. for(int i = 0; i < row; i++)

  33. {

  34. for(int j = 0; j < col; ++j)

  35. {

  36. if(arr[i*col+j] != invalid)//将有效值存储在一个一维数组中

  37. _sm.push_back(Trituple<T>(i,j,arr[i*col+j]));//将三元组的无名对象push进去

  38. }

  39. }

  40. }

  41. //访问稀疏矩阵中row行col中的元素

  42. T& Acess(int row, int col)

  43. {

  44. //1、

  45. /*for(int idx = 0; idx < _sm.size(); idx++)//遍历一遍

  46. {

  47. if(_sm[idx]._row == row && _sm[idx]._col == col)//当前行列与我们要访问那个元素行列相同时返回这个有效值

  48. return _sm[idx]._data;

  49. }

  50. return _invalid;*///否则返回无效值

  51. //2、

  52. vector<Trituple<T>>::iterator it = _sm.begin();//定义一个迭代器,指向起始位置

  53. while(it != _sm.end())//未到最后一个元素时

  54. {

  55. if(it->_row == row && it->_col == col)//行列相等输出值

  56. return it->_data;

  57. ++it;//迭代器向后移动

  58. }

  59. return _invalid;

  60. }

  61. //还原稀疏矩阵

  62. template<typename T>

  63. friend ostream& operator<<(ostream& _cout, SparseMatrix<T>& s)//重载<<

  64. {

  65. size_t idex = 0;

  66. for(size_t i = 0; i < s._row; i++)

  67. {

  68. for(size_t j = 0; j < s._col; j++)

  69. {

  70. if(idex < s._sm.size()/*防止数组越界*/ && s._sm[idex]._row == i && s._sm[idex]._col == j)

  71. {

  72. _cout<<s._sm[idex]._data<<” “;

  73. ++idex;

  74. }

  75. else

  76. _cout<<s._invalid<<” “;

  77. }

  78. _cout<<endl;

  79. }

  80. return _cout;

  81. }

  82. //实现稀疏矩阵的逆置 时间复杂度O(M*N)(M为元素个数N为矩阵列数)

  83. SparseMatrix<T> Transport()

  84. {

  85. SparseMatrix<T> sm;

  86. sm._row = _col;

  87. sm._col = _row;

  88. sm._invalid = _invalid;

  89. for(size_t i = 0; i < _col; i++)

  90. {

  91. vector<Trituple<T>>::iterator it = _sm.begin();

  92. while(it != _sm.end())

  93. {

  94. if(it->_col == i)//从原矩阵第0列开始,将每列中的有效值依次放入新的稀疏矩阵

  95. sm._sm.push_back(Trituple<T> (i, it->_row, it->_data));

  96. ++it;

  97. }

  98. }

  99. return sm;

  100. }

  101. //实现稀疏矩阵的快速转置 时间复杂度O(N)+O(M)

  102. SparseMatrix<T> FastTransport()

  103. {

  104. SparseMatrix<T> sm;

  105. sm._col = _row;

  106. sm._row = _col;

  107. sm._invalid = _invalid;

  108. sm._sm.resize(_sm.size());//开辟空间

  109. //1、统计原矩阵中每一列有多少个有效元素

  110. int* pCount = newint[_col];//开辟原矩阵中列个数的空间

  111. memset(pCount, 0, _col*sizeof(pCount[0]));

  112. for(int i = 0; i < _sm.size(); i++)

  113. pCount[_sm[i]._col]++;

  114. //2、原矩阵每一列在新矩阵中的起始位值

  115. int* pAddr = newint[_col];

  116. memset(pAddr, 0, _col*sizeof(pAddr[0]));

  117. for(int i = 1/*从1开始,第一个位置起始为0已经放入*/; i < _sm.size(); i++)

  118. {

  119. pAddr[i] = pAddr[i – 1] + pCount[i – 1];//前一个起始位值+前一列有效元素个数

  120. }

  121. //3、放置元素到新空间

  122. for(int i = 0; i < _sm.size(); i++)

  123. {

  124. int& addr = pAddr[_sm[i]._col];

  125. sm._sm[addr] = Trituple<T>(_sm[i]._col,_sm[i]._row,_sm[i]._data);

  126. addr++;

  127. }

  128. return sm;

  129. }

  130. //实现稀疏矩阵的加法操作1

  131. /*SparseMatrix<T> operator+(const SparseMatrix<T>& sp)

  132. {

  133. int i = 0, j = 0, k = 0;

  134. T v;

  135. SparseMatrix<T> s;

  136. if(this->_col != sp._col || this->_row != sp._row)

  137. exit(1);

  138. s._row = sp._row;

  139. s._col = sp._col;

  140. s._invalid = sp._invalid;

  141. while(i < this->_sm.size() && j < sp._sm.size())

  142. {

  143. if(this->_sm[i]._row == sp._sm[j]._row)

  144. {

  145. if(this->_sm[i]._col < sp._sm[j]._col)

  146. {

  147. s._sm.push_back(Trituple<T>(this->_sm[i]._row, this->_sm[i]._col, this->_sm[i]._data));

  148. i++;

  149. k++;

  150. }

  151. else if(this->_sm[i]._col > sp._sm[j]._col)

  152. {

  153. s._sm.push_back(Trituple<T>(sp._sm[j]._row, sp._sm[j]._col, sp._sm[j]._data));

  154. j++;

  155. k++;

  156. }

  157. else

  158. {

  159. v = this->_sm[i]._data + sp._sm[j]._data;

  160. if(v)

  161. {

  162. s._sm.push_back(Trituple<T>(sp._sm[j]._row, sp._sm[j]._col, v));

  163. k++;

  164. }

  165. i++;

  166. j++;

  167. }

  168. }

  169. else if(this->_sm[i]._row < sp._sm[j]._row)

  170. {

  171. s._sm.push_back(Trituple<T>(this->_sm[i]._row, this->_sm[i]._col, this->_sm[i]._data));

  172. i++;

  173. k++;

  174. }

  175. else

  176. {

  177. s._sm.push_back(Trituple<T>(sp._sm[j]._row, sp._sm[j]._col, sp._sm[j]._data));

  178. j++;

  179. k++;

  180. }

  181. }

  182. return s;

  183. }*/

  184. //实现稀疏矩阵的加法操作2

  185. SparseMatrix<T> operator+(const SparseMatrix<T>& sp)

  186. {

  187. assert(_row == sp._row && _col == sp._col);//检测两个相加的矩阵行列是否相等

  188. SparseMatrix<T> ret;

  189. ret._row = _row;

  190. ret._col = _col;

  191. ret._invalid = _invalid;

  192. int iLidx = 0, iRidx = 0;//定义两个索引

  193. while(iLidx < _sm.size() && iRidx < sp._sm.size())

  194. {

  195. size_t AddrLeft = _sm[iLidx]._row*_col+_sm[iLidx]._col;//左边矩阵的起始位值

  196. size_t AddrRight = sp._sm[iRidx]._row*sp._col+sp._sm[iRidx]._col;//右边矩阵起始位值

  197. if(AddrLeft < AddrRight)//左<右,将左边有效值放入和矩阵中,左边的索引加加

  198. {

  199. ret._sm.push_back(Trituple<T>(_sm[iLidx]._row, _sm[iLidx]._col, _sm[iLidx]._data));

  200. iLidx++;

  201. }

  202. elseif(AddrLeft > AddrRight)

  203. {

  204. ret._sm.push_back(Trituple<T>(sp._sm[iRidx]._row, sp._sm[iRidx]._col, sp._sm[iRidx]._data));

  205. iRidx++;

  206. }

  207. else//当左边等于右边判断相加后和是否为0,不为0放入

  208. {

  209. Trituple<T> temp(_sm[iLidx]);

  210. temp._data += sp._sm[iRidx]._data;

  211. if(temp._data)

  212. {

  213. ret._sm.push_back(temp);

  214. iLidx++;

  215. iRidx++;

  216. }

  217. }

  218. }

  219. while(iLidx < _sm.size())//左边还有剩余则放入剩余元素

  220. {

  221. ret._sm.push_back(Trituple<T>(_sm[iLidx]._row, _sm[iLidx]._col, _sm[iLidx]._data));

  222. iLidx++;

  223. }

  224. while(iRidx < sp._sm.size())

  225. {

  226. ret._sm.push_back(Trituple<T>(sp._sm[iRidx]._row, sp._sm[iRidx]._col, sp._sm[iRidx]._data));

  227. iRidx++;

  228. }

  229. return ret;

  230. }

  231. private:

  232. size_t _row;

  233. size_t _col;

  234. vector<Trituple<T>> _sm;

  235. T _invalid;//无效值

  236. };

  237. int main()

  238. {

  239. int arr[6][5] = {

  240. {1,0,3,0,5},

  241. {0,0,0,0,0},

  242. {0,0,0,0,0},

  243. {1,0,3,0,5},

  244. {0,0,0,0,0},

  245. {0,0,0,0,0}};

  246. int arr1[6][5] = {

  247. {1,0,3,0,5},

  248. {0,0,0,0,0},

  249. {0,0,2,4,0},

  250. {1,0,3,0,5},

  251. {0,0,0,1,0},

  252. {0,0,0,0,1}};

  253. SparseMatrix<int> s((int*)arr,6,5,0);

  254. SparseMatrix<int> s1((int*)arr1,6,5,0);

  255. cout<<“访问三行四列元素”<<endl;

  256. cout<<s.Acess(3,4)<<endl;

  257. cout<<s<<endl;

  258. cout<<“快速转置”<<endl;

  259. cout<<s.FastTransport();

  260. cout<<endl;

  261. cout<<“矩阵s:”<<endl;

  262. cout<<s<<endl;

  263. cout<<“矩阵s1:”<<endl;

  264. cout<<s1<<endl;

  265. cout<<“s+s1求和:”<<endl;

  266. cout<<s1+s<<endl;

  267. system(“pause”);

  268. return 0;

  269. }

运行结果截图:

C++实现稀疏矩阵的压缩存储

在上面的代码中用到C++模板、标准库中vector容器,以及迭代器实现了一些基本的操作,如访问稀疏矩阵中某个元素,输出稀疏矩阵、稀疏矩阵的转置以及快速转置还有两个稀疏矩阵的加法。

快速转置操作的基本思路是:

(1)统计原矩阵中每一列有多少个有效元素;

(2)原矩阵中每一列在新矩阵中的起始地址;

(3)放置元素到新空间中。

还需注意的是,在我们打印这个稀疏矩阵时虽然也可以直接调用访问元素的Acess接口,但是每次进去之后都得遍历一遍,时间复杂度较高,所以我们不采取这种办法,而是比较当前行列的值,若相等输出有效元素,不等则输出无效元素0。

今天的文章C++实现稀疏矩阵的压缩存储分享到此就结束了,感谢您的阅读。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/7886.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注