我有一个稀疏矩阵，我目前正在枚举每一行，并根据每行的信息执行一些计算 . 每行完全独立于其他行 . 但是，对于大型矩阵，此代码非常慢（大约需要2个小时），我也无法将矩阵转换为密集矩阵（限制为8GB RAM） .
import scipy.sparse
import numpy as np
def process_row(a, b):
"""
a - contains the row indices for a sparse matrix
b - contains the column indices for a sparse matrix
Returns a new vector of length(a)
"""
return
def assess(mat):
"""
"""
mat_csr = mat.tocsr()
nrows, ncols = mat_csr.shape
a = np.arange(ncols, dtype=np.int32)
b = np.empty(ncols, dtype=np.int32)
result = []
for i, row in enumerate(mat_csr):
# Process one row at a time
b.fill(i)
result.append(process_row(b, a))
return result
if __name__ == '__main__':
row = np.array([8,2,7,4])
col = np.array([1,3,2,1])
data = np.array([1,1,1,1])
mat = scipy.sparse.coo_matrix((data, (row, col)))
print assess(mat)
我正在寻找是否有任何方法可以更好地设计它，以便它的执行速度更快 . 本质上， process_row 函数采用（row，col）索引对（来自a，b）并使用另一个稀疏矩阵进行一些数学运算并返回结果 . 我没有更改此功能的选项，但它实际上可以处理不同的行/列对，并且不限于处理来自同一行的所有内容 .
1 回答
您的问题与其他最近的SO问题类似：
Calculate the euclidean distance in scipy csr matrix
在我的回答中，我勾勒出一种迭代稀疏矩阵行的方法 . 我认为将数组转换为
lil更快，并直接从其子列表构造密集行 . 这避免了为每行创建新的稀疏矩阵的开销 . 但我还没有做过时间测试 .https://stackoverflow.com/a/36559702/901925
也许这适用于您的情况 .