检索SciPy稀疏矩阵占用的字节数
SciPy是一个开源的科学计算库，提供了丰富的数学、科学和工程计算功能。稀疏矩阵是一种特殊的矩阵，其中大部分元素为零。在SciPy中，稀疏矩阵可以使用scipy.sparse模块进行表示和操作。
要检索SciPy稀疏矩阵占用的字节数，可以使用getsizeof()函数来获取对象的字节大小。在SciPy中，稀疏矩阵可以使用scipy.sparse模块的isspmatrix函数来判断是否为稀疏矩阵，然后使用getsizeof()函数获取其字节数。
以下是一个示例代码：
import sys
from scipy.sparse import issparse
# 假设sparse_matrix是一个稀疏矩阵对象
sparse_matrix = ...
if issparse(sparse_matrix):
size_in_bytes = sys.getsizeof(sparse_matrix)
print("稀疏矩阵占用的字节数：", size_in_bytes)
else:
print("输入对象不是稀疏矩阵")在这个示例中，我们首先使用issparse()函数判断输入对象是否为稀疏矩阵，然后使用getsizeof()函数获取稀疏矩阵对象的字节数。最后，打印出稀疏矩阵占用的字节数。
关于稀疏矩阵的优势，稀疏矩阵在处理大规模数据时具有以下优势：
- 节省内存空间：稀疏矩阵只存储非零元素，可以大大减少内存占用。
- 加速计算：稀疏矩阵的特殊结构可以利用稀疏矩阵算法进行高效计算，加速运算过程。
- 适用于稀疏数据：对于数据中大部分为零的情况，稀疏矩阵更适合存储和处理。
稀疏矩阵的应用场景包括但不限于：
- 自然语言处理：在文本处理中，词频矩阵、TF-IDF矩阵等常常是稀疏的，使用稀疏矩阵可以节省内存空间。
- 图像处理：在图像处理中，图像的像素矩阵通常是稀疏的，使用稀疏矩阵可以减少存储和计算开销。
- 网络分析：在社交网络、推荐系统等领域，用户-物品关系矩阵通常是稀疏的，使用稀疏矩阵可以高效地进行网络分析和推荐计算。
腾讯云提供了一系列与云计算相关的产品，其中包括与稀疏矩阵处理相关的产品。具体推荐的产品和产品介绍链接地址可以参考腾讯云的官方文档或咨询腾讯云的客服人员。
相关·内容
可以确定scipy.sparse矩阵的字节大小吗？在NumPy中，可以通过执行以下操作来确定数组的大小：
import numpy as np
print(np.zeros((100, 100, 100).nbytes)
8000000
浏览 0提问于2012-06-24得票数 33
回答已采纳
我试图解决一个马尔可夫链问题，在这个问题中，转移矩阵包含大约15万行和列，但是它是稀疏的(只有大约45万个元素是非零的)。
我注意到，试图从这样大小的csr_matrix数组构造np.zeros矩阵会导致Killed: 9错误：
In [139]: N = 150000
In [140]: T = np.zeros((N, N))
In [142]: import scipy.sparse
In [143]: _T = scipy.sparse.csr_matrix(T)
Killed: 9
是否有可能构造这样大小的csr_matrix？我是否需要将矩阵T作为一个csr_matrix来启
浏览 5提问于2017-10-30得票数 0
回答已采纳
我知道在python中很难看到对象的内存使用情况。
对SciPy对象(例如，稀疏矩阵)执行此操作是否更容易？
浏览 0提问于2012-10-31得票数 3
回答已采纳
1回答
假设我想监控我的SciPy稀疏矩阵mat占用的内存。在NumPy中，我可以利用nbytes属性，但在SciPy中似乎没有这样的东西。如何检索此信息？
浏览 3提问于2017-01-25得票数 4
回答已采纳
scipy.sparse.csr_matrix和scipy.sparse.lil_matrix有什么不同？这些矩阵表示稀疏矩阵，但我不知道有什么不同。
此外，使用lil_matrix或csr_matrix的每一个优点是什么？
浏览 4提问于2021-09-17得票数 3
1回答
我有一个很大的csr_matrix (46000*46000)，但是这个矩阵非常密集，它的稀疏度大约是0.05%。大多数非零值都小于1，我想删除这些值并增加稀疏度
import scipy.sparse as sp
cgc=sp.load_npz('/root/cg.npz')
print cgc.count_nonzero() #2115920056
cgc=cgc[cgc>1] #too slow
浏览 1提问于2018-01-19得票数 1
3回答
初始化高维稀疏矩阵
、、、
我想使用sklearn初始化300,000 x 300,0000稀疏矩阵，但它需要内存，就好像它不是稀疏的一样： >>> from scipy import sparse
>>> sparse.rand(300000,300000,.1) 它会给出错误： MemoryError: Unable to allocate 671. GiB for an array with shape (300000, 300000) and data type float64 这与我使用numpy进行初始化时的错误相同。 np.random.normal(size=[
浏览 48提问于2020-11-16得票数 3
回答已采纳
我很难理解什么时候使用稀疏版本的expm会比普通版本更好。
如果我取一个密度矩阵M，它恰好是稀疏的，大小为4000 x 4000矩阵并计算scipy.linalg.expm(M)，这大约需要25秒。如果然后执行M_sparse = sparse.csc_matrix(M)并计算scipy.sparse.linalg.expm(M_sparse)，则至少运行10分钟。
scipy.sparse.linalg.expm的正确用例是什么？它是否适用于大得多的矩阵？
浏览 5提问于2021-12-28得票数 2
3回答
我正在尝试使用sklearn库在Python语言中将信号分解成大型稀疏矩阵中的组件(矩阵分解)。
我利用scipy的scipy.sparse.csc_matrix来构建我的数据矩阵。然而，我不能进行任何分析，比如因子分析或独立成分分析。我唯一能做的就是使用truncatedSVD或scipy的scipy.sparse.linalg.svds来执行主成分分析。
有没有人知道在python中对稀疏矩阵进行ICA或FA的解决方法？任何帮助都将不胜感激！谢谢。
浏览 1提问于2015-04-29得票数 2
我在SciPy稀疏矩阵上搜索一个矩阵平方根操作，比如scipy.linalg.sqrtm (非元素平方根)，但是我什么也找不到。换句话说，scipy.sparse.linalg.sqrtm不存在。有没有人知道如何对稀疏矩阵进行这种操作(除了转换为密集矩阵和使用SciPy的linalg.sqrtm)
人们已经提出了通过sparse_matrix**power在稀疏矩阵上进行矩阵幂的方法，但是它只能处理整数幂。
浏览 5提问于2017-05-12得票数 2
我有形成一个1000x1e9形状的稀疏矩阵的数据。我想使用K-means将1000个示例聚类到10个聚类中。
矩阵非常稀疏，小于1/1e6的值。
我的笔记本电脑有16RAM。我在scipy中尝试了稀疏矩阵。不幸的是，矩阵使得聚类过程需要比我拥有的更多的内存。有没有人能建议一下这样做的方法呢？
在运行以下测试片段时，我的系统崩溃了
import numpy as np
from scipy.sparse import csr_matrix
from sklearn.cluster import KMeans
row = np.array([0, 0, 1, 2, 2, 2, 3, 3, 4,
浏览 1提问于2017-11-03得票数 2
对于下面的代码，Mat是一个数组类型的矩阵，
a = kron(Mat,ones((8,1)))
b = a.flatten()
如果我不导入scipy.sparse包，a是一个数组类型的矩阵，b也可以执行。如果我使用'from scipy.sparse import *'，a是一个稀疏类型的矩阵，b 不能执行。有人能告诉我为什么kron会给出不同的结果吗？平坦()是否可以应用于稀疏型矩阵？
浏览 0提问于2016-09-18得票数 0
回答已采纳
3回答
我正在寻找一种等价的，它可以与scipy提供的稀疏表示()一起使用。有没有什么东西可以让你处理这些矩阵，就像你在哪里使用一个if -然后-否则的语句？
更新更具体:我需要将where作为if-然后- else向量化函数，例如，对于矩阵A中等于K的每个值，在矩阵B中放置一个相应的值，否则C。您可以使用像find这样的方法检索那些满足逻辑条件的条目的索引，然后否定它们以找到所有剩余的函数，但是对于稀疏矩阵，难道没有一种更紧凑的方法吗？
浏览 0提问于2014-08-05得票数 3
回答已采纳
有没有一种方法可以从pandas.SparseDataFrame转换为scipy.sparse.csr_matrix，而不生成内存中的密集矩阵？
scipy.sparse.csr_matrix(df.values)
不工作，因为它生成一个密集矩阵，该矩阵被转换到csr_matrix。
提前感谢！
浏览 10提问于2015-06-27得票数 15
回答已采纳
对于SciPy稀疏矩阵，可以使用todense()或toarray()将其转换为NumPy矩阵或数组。反转的函数是什么？
我搜索了，但不知道哪些关键字应该是正确的命中。
浏览 1提问于2011-10-28得票数 99
回答已采纳
我有一个奇怪的现象，尽管对于稀疏矩阵，scipy.sparse.linalg.eigs应该更快，但我发现它比scipy的普通eigvals方法运行得慢
In [4]: %timeit m.calc_pde_numerical_jacobian(m.initial_state)
10 loops, best of 3: 41.2 ms per loop
In [5]: %timeit m.calc_pde_analytic_jacobian(m.initial_state)
1000 loops, best of 3: 1.42 ms per loop
In [6]: %timeit m.c
浏览 1提问于2017-03-22得票数 5
我有一个非常大的稀疏Numpy矩阵(类型为numpy.ndarray)。矩阵太大了，很可能必须存储在虚拟内存中。如何有效地将其转换为稀疏的枕木矩阵(来自scipy.sparse)(用于算术操作)？
下面是dok_matrix的直接转换，这可能是由于内存问题而失败的。将dok_matrix更改为csr_matrix会导致相同的内存问题。
In [1]: N=int(1e6)
In [2]: from scipy.sparse import dok_matrix
In [3]: import numpy as np
In [4]: mat=np.zeros((N,N))
In [5]: d
浏览 13提问于2022-08-19得票数 0
回答已采纳
我有一个很大的(100K X 30K)和(非常)稀疏的svmlight格式的数据集，我按如下方式加载：
import numpy as np
from scipy.cluster.vq import kmeans2
from scipy.spatial.distance import pdist, squareform
from sklearn.datasets import load_svmlight_file
X,Y = load_svmlight_file("somefile_svm.txt")
它返回一个稀疏的scipy数组X
我只需要计算所有训练点的成对距离如下
D
浏览 2提问于2012-01-22得票数 5
当我试图将矩阵s (任何可用的稀疏类型)分配给NumPy数组a时，如下所示：
a[:] = s
我得到了一个TypeError
TypeError: float()参数必须是字符串或数字
有办法绕过这件事吗？
我了解todense()和toarray()方法，但我非常希望避免不必要的复制，我更愿意对NumPy数组和SciPy稀疏矩阵使用相同的代码。现在，我不关心从稀疏矩阵中得到的值效率很低。
是否有某种与NumPy索引分配有关的稀疏矩阵的包装器？
如果没有，有什么建议可以让我自己去建造这样的东西吗？
在这种情况下，是否有与NumPy合作的不同稀疏数组库？
更新：
我在NumPy源代码中
浏览 9提问于2014-11-14得票数 2
回答已采纳
1回答
我想知道是否有一种方法可以简单地将密集向量添加到稀疏矩阵的所有行中，在scipy.sparse中表示为一个稀疏矩阵并返回一个稀疏矩阵，即只对稀疏矩阵的非零元素求和。
如果我这样做：
import numpy as np
import scipy.sparse as sp
W = sp.csr_matrix(np.array([[0,0,1],[0,1,0]]))
v = np.array([2,3,4])
然后
sum = W + v
sum显然是一个稠密矩阵，但它的零数之和也很明显。然而，当我试图做：
b = (W != 0)
s = b.multiply(v)
sum = W + s
我得
浏览 2提问于2014-06-06得票数 2
回答已采纳
1回答
我有两个稀疏矩阵A(亲和力矩阵)和D(对角矩阵)，维数为100000*100000。我必须计算拉普拉斯矩阵L= D^(-1/2)*A*D^(-1/2)。我正在使用scipy CSR格式的稀疏矩阵。
我没有找到任何方法来求稀疏矩阵的逆。如何求稀疏矩阵的L和逆矩阵？还建议使用python来做这件事是否有效，或者我是否应该调用matlab函数来计算L？
浏览 1提问于2012-02-12得票数 3
2回答
我正在开发基于pandas DataFrame对象的工具。我希望将scipy稀疏矩阵保留为DataFrame的列，而不是将其按行转换为dtype('O')的列表/数值数组。
下面的代码片段不起作用，因为pandas将矩阵视为标量，并建议添加索引。当在矩阵中的行索引上提供pd.RangeIndex时，矩阵将对数据帧中的每一行重复(因为pandas认为它是标量)。
ma = scipy.sparse.rand(10, 100, 0.1, 'csr', dtype=np.float64)
df = pd.DataFrame(dict(X=ma))
这是可行的：
df
浏览 12提问于2016-09-12得票数 4
回答已采纳
3回答
如果我对numpy.zeros矩阵做同样的操作，它就能工作。但对于枕骨稀疏矩阵，它不起作用。为什么？
import scipy.sparse as sparse
import scipy as sp
a = sparse.lil_matrix((3,3), dtype=int)
a[0,0] = 0
a[1,1] = 1
a[2,2] = 2
b = a.sum(0)
bo = (-b).argsort()
ao = sp.take(a, bo, axis=1)
我知道错误：
ValueError: axis(=1) out of bounds
为什么这不起作用。有人能告诉我怎么修吗？或者用枕
浏览 9提问于2016-02-14得票数 0
回答已采纳
我在这方面研究了很多，但找不到解决这个问题的实际方法。我正在使用scipy创建csr稀疏矩阵，并希望从所有1的等价矩阵中减去此矩阵。在scipy和numpy表示法中，如果矩阵不是稀疏的，我们可以通过简单地编写1- MatrixVariable来实现。但是，如果Matrix是稀疏的，则不会实现此操作。我可以想到下面这个显而易见的解决方案：
迭代整个稀疏矩阵，将所有零元素设置为1，将所有非零元素设置为0。
但这将创建一个矩阵，其中大多数元素为1，只有少数元素为0，这不再是稀疏的，并且由于其巨大的大小无法转换为密集。
有什么替代的和有效的方法可以做到这一点呢？
谢谢。
浏览 3提问于2013-07-02得票数 3
2回答
在一个简单的向量矩阵乘法中，当使用scipy.sparse矩阵而不是稠密矩阵时，得到不同的结果/输出格式。例如，我使用以下密集矩阵和向量：
import numpy as np
from scipy import sparse
mat = np.array([[1, 1, 0, 0, 0], [0, 2, 2, 0, 0], [0, 0, 3, 3, 0], [0, 0, 0, 4, 4]])
vec = np.arange(1, 5)
对于向量矩阵积，我得到以下预期输出：
vec.dot(mat) # array([ 1, 5, 13, 25, 16])
mat.T.dot(vec)
浏览 1提问于2016-10-29得票数 0
回答已采纳
> import scipy
> import numpy as np
> smat_csr = scipy.sparse.csr_matrix([[0,0,1],[0,1,0],[0,0,0]])
> print(smat_csr)
(0, 2) 1
(1, 1) 1
> print(smat_csr.shape)
(3, 3)
> smat_np = np.asarray(smat_csr)
> print(type(smat_np))
<class 'numpy.ndarray'> 所以smat_np看
浏览 11提问于2020-12-02得票数 2
回答已采纳
1回答
我注意到SciPy稀疏矩阵和numpy数组在传递到函数时被修改的方式存在明显的不一致性。特别是，我想知道是否有人能解释为什么下面的a稀疏矩阵没有被func全局修改，但是b数组是：
from scipy import sparse
import numpy as np
def func(m):
m += m
a = sparse.identity(2)
b = np.array([1, 2])
print(a.todense()) # [[1,0],[0,1]]
func(a)
print(a.todense()) # Still [[1,0],[0,1]]. Why???
pr
浏览 6提问于2022-06-24得票数 0
回答已采纳
1回答
我正在使用Python、numpy和scipy对我为文本分析创建的主题模型的输出进行一些层次聚类。
我将我的测试语料库应用于ldamodel，因此它成为一个词袋表示。然后我把它变成了一个矩阵。现在，我想使用scipy来创建一个矩阵的链接矩阵。但它给出了值错误:使用序列设置数组元素。我猜这是因为只有形状相同的数组才能聚集在一起。我的矩阵在列表中的列表之间有长度上的差异。我现在只是不知道如何解决这个问题。下面是代码的一小部分。我不知道这是否有帮助。我真的希望有人能帮我。
import numpy as np
X = np.array(corpus)
from matplotlib im
浏览 0提问于2017-01-13得票数 0
1回答
复制参数在枕稀疏数组构造中的作用是什么？
scipy.sparse.lil_matrix(arg1, shape=None, dtype=None, copy=False)
它似乎什么也没做！
当我从另一个矩阵构造稀疏矩阵并显式设置copy=False时，更改一个矩阵并不会改变另一个矩阵。
import scipy.sparse as sp
import numpy as np
A = sp.csc_matrix(np.array([[1,0],[0,0]]))
B = sp.csr_matrix(A, copy=False)
B[1,1] = 1 #editing B should chan
浏览 4提问于2013-05-23得票数 2
回答已采纳
我想迭代地构建稀疏矩阵，并注意到根据SciPy文档，有两个合适的选项：
类scipy.sparse.lil_matrix(arg1，shape=None，dtype=None，copy=False)基于源行的链表稀疏矩阵
这是一种增量构造稀疏矩阵的有效结构。
类scipy.sparse.dok_matrix(arg1，shape=None，dtype=None，copy=False)基于密钥的稀疏矩阵源字典。
这是一种增量构造稀疏矩阵的有效结构。
但是，当我运行基准，而不是构建一个值字典(后来可以很容易地转换为稀疏矩阵)，后者的速度大约是使用任何稀疏矩阵模型的10-20倍：
浏览 0提问于2015-01-04得票数 13
回答已采纳
1回答
我试图计算一个大矩阵的乘法逆(~ >40000x40000)。这可以通过例如numpy.linalg.inv或scipy.linalg.inv来完成。很不幸，在我可以访问的HPC上，计算失败.。
numpy.linalg.inv(I-A)或scipy.linalg.inv(I-A)等价于(I-A)^-1，D5可以通过I + A + AA + AAA + AAAA ...或I + A + A^2 + A^3 + A^4 ...近似。
因为我不能运行linalg.inv，所以我编写了一个函数来近似它。然而，事实证明，用完整的矩阵运行我的函数非常慢。因此，我想知道我的代码是否是简单的低效/缺陷
浏览 0提问于2022-06-17得票数 0
回答已采纳
我有以下一段代码，其中我使用命令scipy.linalg.lu()计算给定方阵的L矩阵，然后再次执行相同的操作，只是使用scipy.sparse.linalg.splu()将其应用于给定矩阵的稀疏形式。代码如下：
import numpy as np
from scipy.sparse.linalg import splu
from scipy.sparse import csc_matrix
import scipy.linalg
A1 = csc_matrix([[1., 0, 0.], [5., 0, 2], [0, -1., 0]])
A2 = np.array([[1., 0, 0.
浏览 2提问于2018-12-07得票数 1
1回答
我有一个用scipy.sparse.linalg.gmres求解稀疏线性系统的简单代码
W, S = load_data()
M = normalize(W.T.astype('float64'),'l1')
S = normalize(S.astype('float64'),'l1')
rhs = S[cat_id,:].T
print M.shape
print rhs.shape
p = gmres(M, rhs)
函数load_data从matlab的.mat文件中加载两个稀疏矩阵并省略。其产出令人惊讶：
(15049
浏览 3提问于2014-12-14得票数 2
回答已采纳
2回答
我试图找出一个巨大矩阵和它自身之间的点积。
NonZero - 577731的(371744,36154) Num的形状非常稀疏
mat1是scipy.sparse.csr_matrix如果我使用mat1 * mat1.T我得到了一个值错误，这看起来像它的，因为结果矩阵中有太多的非零元素，索引指针根据溢出
dp_data = data_m * data_m.T
File "/usr/lib/python2.7/dist-packages/scipy/sparse/base.py", line 247, in __mul__
return self._mul_
浏览 7提问于2014-07-22得票数 2
2回答
在计算稀疏矩阵的1-范数时，我有一个问题.我使用的是函数scipy.sparse.linalg.onenormest，但是它给了我一个错误，因为运算符只能作用于平方矩阵。
这里有一个代码示例：
from scipy import sparse
row = array([0,2,2,0,1,2])
col = array([0,0,1,2,2,2])
data = array([1,2,3,4,5,6])
A = sparse.csc_matrix( (data,(row,col)), shape=(5,3) )
onenormest(A)
这是一个错误：
Traceback (most
浏览 2提问于2014-11-06得票数 0
回答已采纳
1回答
如何提取稀疏矩阵的主对角线？矩阵是在scipy.sparse中创建的。我想要等价于np.diagonal()，但是对于稀疏矩阵。
浏览 0提问于2016-01-19得票数 10
回答已采纳
我正在阅读一个非常大的图表，特别是wiki-topcats ()，虽然我可以在可接受的时间内阅读和创建该图形，但是：
graph = nx.read_edgelist("C:/.../wiki-topcats.txt", nodetype=int)
然后，我需要提取关联矩阵，以便创建直线图(这是我的目标)，但当我运行时：
C = nx.incidence_matrix(graph)
我得到了记忆错误，我找不到任何有效的方法来处理这个问题，或者通过从附加性中创建关联矩阵来解决这个问题，但是由于图形的大小，我必须处理赋值矩阵，例如，这个邻接矩阵可以工作。
A = nx.to_sci
浏览 5提问于2022-02-25得票数 2
回答已采纳
如何对scipy稀疏矩阵的行进行混洗？ 有一个scikitlearn.utils.shuffle，但它返回一个新的矩阵，因此对于非常大的稀疏矩阵，混洗不是就地完成的，而是复制矩阵。 有numpy.random.Generator.shuffle，但它似乎是work only for CSR matrices。 如何有效地打乱scipy稀疏矩阵的行数，不管它是以什么格式存储在内存中的？
浏览 14提问于2020-12-02得票数 0
回答已采纳
我把这个贴在了上，但没有得到任何关注。只要我在其中一个得到答复，我就会通知另一个。
我有一个矩阵B，它是稀疏的，并试图利用一个函数scipy.sparse.linalg.spilu专门为稀疏矩阵分解B。请您解释一下为什么这个函数比通用矩阵的函数scipy.linalg.lu效率低得多？非常感谢!
import numpy as np
import scipy.linalg as la
import scipy.sparse.linalg as spla
import time
from scipy import sparse
from scipy.sparse import csc_matr
浏览 4提问于2020-06-01得票数 0
回答已采纳
1回答
我必须计算稀疏矩阵中向量之间的大量相似计算。当前用于此任务的最佳工具scipy-sparse或pandas是什么？
浏览 5提问于2013-10-04得票数 2
2回答
我正在尝试将主成分分析应用于巨大的稀疏矩阵，在下面的链接中它说sklearn的randomizedPCA可以处理scipy稀疏格式的稀疏矩阵。
然而，我总是得到错误。有人能指出我做错了什么吗？
输入矩阵'X_train‘包含float64格式的数字：
>>>type(X_train)
<class 'scipy.sparse.csr.csr_matrix'>
>>>X_train.shape
(2365436, 1617899)
>>>X_train.ndim
2
>>>X_train
浏览 1提问于2015-11-09得票数 19
1回答
我想把我的稀疏scipy.lil_matrix矩阵除以向量，再得到稀疏矩阵。假设我有2个lil_matrix变量和2个numpy数组a, b, c, d，如下所示
In [1]: a
Out[1]:
<4x3 sparse matrix of type '<class 'numpy.float64'>'
with 11 stored elements in LInked List format>
In [2]: b
Out[2]:
<4x1 sparse matrix of type '<class &#
浏览 1提问于2018-02-18得票数 2
回答已采纳
我有两个矩阵mat1和mat2是稀疏的(大多数条目为零)，我对零值条目不感兴趣:我从图论的角度看矩阵，其中零表示节点之间没有边。
如何使用矩阵有效地获得非零项(仅为)之间的最小值scipy.sparse？也就是mat1.minimum(mat2)的等价物，它会忽略隐式零。
使用稠密矩阵很容易做到：
import numpy as np
nnz = np.where(np.multiply(mat1, mat2))
m = mat1 + mat2
m[nnz] = np.minimum(mat1[nnz], mat2[nnz])
但是对于稀疏矩阵来说，这是非常低效的。
NB: a 以前曾被问过，
浏览 1提问于2021-02-19得票数 3
1回答
在scipy稀疏矩阵类型和普通numpy矩阵类型之间似乎存在一些差异
import scipy.sparse as sp
A = sp.dia_matrix(tri(3,4))
vec = array([1,2,3,4])
print A * vec #array([ 1., 3., 6.])
print A * (mat(vec).T) #matrix([[ 1.],
# [ 3.],
浏览 0提问于2013-05-30得票数 3
回答已采纳
1回答
我已经写了一段代码，用矩阵表示来求解Schrodinger方程。哈密顿量是一个方阵，状态向量是一维数组。我使用的是scipy.integrate中的numpy.matrix类和ode来求解耦合微分方程
from scipy.integrate import ode
import numpy as np
现在我遇到了一个问题，因为我的矩阵远远大于10000x10000，并且当同时运行两个脚本时，我遇到了总的RAM内存使用量。我希望scipy的稀疏数组可以解决我的内存消耗问题，因为我使用的哈密顿矩阵和其他矩阵都有很多零。我不知道那时我是否能解微分方程。也许还有其他方法可以处理具有复数的大数据矩阵。
浏览 0提问于2014-12-18得票数 0
SVC似乎处理那些可以采用稀疏矩阵的内核与那些不使用稀疏矩阵的内核不同。然而，如果用户提供的内核编写来获取稀疏矩阵，并且在拟合期间提供了稀疏矩阵，那么它仍然将稀疏矩阵转换为密集，并将内核视为密集的，因为内核不是scikit中预先定义的稀疏内核之一。
有没有一种方法可以强迫SVC识别内核是稀疏的，而不是在将稀疏矩阵传递给内核之前将其转换成密集矩阵？
编辑1:最小工作示例
例如，如果SVC在创建时将核的字符串“线性”传递给SVC，则使用线性核，稀疏矩阵直接传递给线性核，如果拟合时提供稀疏矩阵，则支持向量存储为稀疏矩阵。但是，如果将linear_kernel函数本身传递给SVC，则稀疏矩阵在传递到内
浏览 1提问于2016-09-12得票数 2
2回答
稀疏矩阵上的求和
、、
numpy的einsum函数似乎不适用于scipy.sparse矩阵。是否有其他选择来完成einsum对稀疏矩阵所能做的事情？
对于@eickenberg的回答:我想要的特别的einsum是numpy.einsum("ki,kj->ij",A,A) --行的外部乘积之和。
浏览 2提问于2014-04-27得票数 8
回答已采纳
1回答
用稀疏矩阵相乘稠密矩形矩阵
、、、、
我使用Python、Numpy和Scipy包来进行矩阵计算。我试图执行计算X.transpose() * W * X，其中X是2x3稠密矩阵，W是稀疏对角线矩阵。(下面是非常简化的例子)
import numpy
import scipy.sparse as sp
X = numpy.array([[1, 1, 1],[2, 2, 2]])
W = sp.spdiags([1, 2], [0], 2, 2).tocsr()
我需要找到稠密矩阵X.transpose和稀疏矩阵W的乘积。
我所知道的一种方法是在右边不接受稀疏矩阵。
>>> sp.csr_matrix.dot(
浏览 5提问于2014-02-09得票数 1
回答已采纳
2回答
设矩阵A为对角矩阵，B为随机矩阵，均为N×N。我们希望利用矩阵A的稀疏性来优化点积，即点(B，A)。
但是，如果我们使用矩阵A的稀疏性来计算乘积，我们就看不到任何优势(而且速度要慢得多)。
import numpy as np
from scipy.sparse import csr_matrix
# Matrix sizes
N = 1000
#-- matrices generation --
A = np.zeros((N,N), dtype=complex)
for i in range(N):
A[i][i] = np.random.rand()
B = np.random
浏览 4提问于2017-03-01得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
