假设我有一个2d稀疏数组 . 在我的实际用例中,行数和列数都要大得多(比如20000和50000),因此在使用密集表示时它无法适应内存:
>>> import numpy as np
>>> import scipy.sparse as ssp
>>> a = ssp.lil_matrix((5, 3))
>>> a[1, 2] = -1
>>> a[4, 1] = 2
>>> a.todense()
matrix([[ 0., 0., 0.],
[ 0., 0., -1.],
[ 0., 0., 0.],
[ 0., 0., 0.],
[ 0., 2., 0.]])
现在假设我有一个密集的1d数组,其中包含大小为3的所有非零组件(在我的实际案例中为50000):
>>> d = np.ones(3) * 3
>>> d
array([ 3., 3., 3.])
我想使用numpy的常用广播语义来计算a和d的元素乘法 . 然而,scipy中的稀疏矩阵属于np.matrix:'*'运算符被重载使其行为类似于矩阵乘法而不是逐元乘法:
>>> a * d
array([ 0., -3., 0., 0., 6.])
一种解决方案是将'a'切换到'*'运算符的数组语义,这将产生预期的结果:
>>> a.toarray() * d
array([[ 0., 0., 0.],
[ 0., 0., -3.],
[ 0., 0., 0.],
[ 0., 0., 0.],
[ 0., 6., 0.]])
但是我不能这样做,因为对toarray()的调用将实现不适合内存的密集版本'a'(结果也会密集):
>>> ssp.issparse(a.toarray())
False
知道如何构建这个,同时只保留稀疏的数据结构,而不必在'a'的列上进行无效的python循环?
3 回答
我也在scipy.org上回复了,但我想我应该在这里添加一个答案,以防其他人在搜索时找到这个页面 .
您可以将矢量转换为稀疏对角矩阵,然后使用矩阵乘法(使用*)来执行与广播相同的操作,但效率很高 .
希望有所帮助!
我认为A.multiply(B)应该在scipy稀疏中工作 . 方法乘法进行“逐点”乘法,而不是矩阵乘法 .
HTH
好吧,这是一个简单的代码,可以做你想要的 . 我不知道它是否像你想的那样高效,所以接受或离开它:
它仅适用于lil矩阵,因此如果您希望它与其他格式一起使用,您将不得不进行一些更改 .