首页 文章

通过Array中的元素乘以Python Sparse Matrix的行和列

提问于
浏览 次
5

我有一个numpy数组，如：

array = [0.2, 0.3, 0.4]

（这个矢量实际上是300k密度的大小，我只用简单的例子说明）

以及使用Scipy创建的稀疏对称矩阵，如下所示：

M = [[0, 1, 2]  
     [1, 0, 1]  
     [2, 1, 0]]

（表示密集只是为了说明;在我的实际问题中它是一个（300k x 300k）稀疏矩阵）

是否可以将所有行乘以数组中的元素，然后对列进行相同的操作？

这将首先导致：

M = [[0 * 0.2, 1 * 0.2, 2 * 0.2]
     [1 * 0.3, 0 * 0.3, 1 * 0.3]
     [2 * 0.4, 1 * 0.4, 0 * 0.4]]

（行与数组中的元素相乘）

M = [[0, 0.2, 0.4]
     [0.3, 0, 0.3]
     [0.8, 0.4, 0]]

然后列数相乘：

M = [[0 * 0.2, 0.2 * 0.3, 0.4 * 0.4]
     [0.3 * 0.2, 0 * 0.3, 0.3 * 0.4]
     [0.8 * 0.2, 0.4 * 0.3, 0 * 0.4]]

最后导致：

M = [[0, 0.06, 0.16]
     [0.06, 0, 0.12]
     [0.16, 0.12, 0]]

我已经尝试应用我在this thread中找到的解决方案，但它没有正确，仍然不明白为什么！

只是要指出这一点，我将运行这个操作的矩阵有点大，它有2000万个非零元素，所以效率非常重要！

我感谢您的帮助！

Edit:

按位解决方案非常有效 . 计算此操作需要1.72秒，但这对我们的工作没有问题 . TNX！

python sparse-matrix operations

2 回答

  • 6

    通常，您希望避免循环并使用矩阵运算来提高速度和效率 . 在这种情况下，解决方案是简单的线性代数，或者更具体地说是矩阵乘法 .

    要将M的列乘以数组A，乘以M * diag（A） . 要将M的行乘以A，乘以diag（A）* M.要做到这两点：diag（A）* M * diag（A），可以通过以下方式完成：

    numpy.dot(numpy.dot(a, m), a)

    diag（A）这里是一个矩阵，除了在其对角线上有A之外都是零 . 您可以使用方法轻松创建此矩阵（例如numpy.diag（）和scipy.sparse.diags（）） .

    我希望这会非常快 .

    回复于
  • 1

    以下应该有效：

    [[x*array[i]*array[j] for j, x in enumerate(row)] for i, row in enumerate(M)]

    例：

    >>> array = [0.2, 0.3, 0.4]
>>> M = [[0, 1, 2], [1, 0, 1], [2, 1, 0]]
>>> [[x*array[i]*array[j] for j, x in enumerate(row)] for i, row in enumerate(M)]
[[0.0, 0.059999999999999998, 0.16000000000000003], [0.059999999999999998, 0.0, 0.12], [0.16000000000000003, 0.12, 0.0]]

    由于floating point arithmetic的限制，值略有偏差 . 如果舍入错误不可接受，请使用decimal模块 .

    回复于

相关问题