枕:稀疏矩阵到ndarray
我有一个CSC格式的矩阵A，其中我只索引了一列
b = A[:,col]产生(Nx1)矩阵。我想做的是：
v = M * b其中M是CSR中的( n )矩阵。结果v是一个(Nx1)CSR-矩阵.我需要迭代v中的值(实际上不包括0)，并检索满足特殊条件的一个元素的索引(注意:没有选择稀疏矩阵格式来适应特定的操作，但是一般的矩阵x矩阵-积应该是CSR * CSC最快的，对吗？)
问题是，迭代CSR格式向量(0
有人能告诉我如何执行这些操作吗?这样我就可以快速地迭代结果向量，从而使与复制相关的内存开销保持在较小的范围内？
IN: M (CSR-Matrix), A (CSC-Matrix), col_index
v = M * A[:,col_index]
for entries in v:
do stuff
也有可能以某种方式加快CSC中列的“高级”索引吗？在代码的另一点上，我必须提取A的一个子矩阵(不能被重新构造为允许切片，因此使用索引数组)，它包括所有列的一个给定子集。当行分析时，idxlist需要相当长的时间.
期待你的建议
回答 2
Stack Overflow用户
发布于 2013-11-02 01:16:24
每个版本都会使can稀疏模块变得更好，但是很明显，它正在进行中，所以可以通过直接访问对象的内部来进行许多优化。例如，你的案件：
>>> a = sps.rand(5, 20, density=0.2, format='csr')
>>> b = sps.rand(20, 1, density=0.2, format='csc')
>>> c = a * b
>>> c.A
array([[ 0.30331594],
[ 0. ],
[ 0.12198742],
[ 0.34350077],
[ 0. ]])您可以将c的非零项作为c.data。
>>> c.data
array([ 0.30331594, 0.12198742, 0.34350077])获取相应的行号要复杂一些。可能最简单的方法是将输出转换为CSC格式，因为它们直接以c.indices的形式存在，而c.data仍然与以前一样：
>>> c.tocsc().indices
array([0, 2, 3])
>>> c.tocsc().data
array([ 0.30331594, 0.12198742, 0.34350077])但是，如果您不喜欢它们，则可以在不执行转换的情况下提取它们：
>>> np.where(c.indptr[:-1] != c.indptr[1:])[0]
array([0, 2, 3], dtype=int64)因此，如果您想查找(例如，最大值及其行号)，您可以：
>>> row_idx = np.where(c.indptr[:-1] != c.indptr[1:])[0]
>>> idx = np.argmax(c.data)
>>> c.data[idx], row_idx[idx]
(0.34350077450601624, 3)Stack Overflow用户
发布于 2013-11-02 02:40:20
在代码审查问题中，我正在探索加速稀疏矩阵https://codereview.stackexchange.com/questions/32664/numpy-scipy-optimization/33566#33566行的迭代的方法
csr getrow令人惊讶地慢了下来。至少对于这个小的测试用例，将稀疏矩阵转换为密集数组并使用常规的numpy索引(使用np.nonzero获取稀疏条目)速度更快。同样快的是将矩阵转换为lil，并在zip(X.data, X.rows)上执行常规的Python迭代。
我的印象是，scipy.sparse对线性代数问题最好，而对于索引和迭代则比较慢。
https://stackoverflow.com/questions/19737401
复制相似问题
腾讯云开发者
