如何通过广播密集的1d数组元素乘以一个scipy.sparsematrix？

假设我有一个2d稀疏数组。 在我真正的用例中，行和列的数量都要大得多（比如20000和50000），因此当使用密集表示法时，它不能适应内存：

>>> 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度为1d的数组，其大小为3的所有非零元素（在我的现实生活中是50000）：

 >>> d = np.ones(3) * 3 >>> d array([ 3., 3., 3.]) 

我想用numpy的通常广播语义来计算a和d的元素相乘。 然而，scipy中的稀疏matrix是np.matrix的：'*'运算符被重载，以使其行为像一个matrix乘法而不是元素乘法：

 >>> a * d array([ 0., -3., 0., 0., 6.]) 

一种解决scheme是将“a”切换到“*”运算符的数组语义，这将给出预期的结果：

 >>> 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toarray（）的调用会实现不适合内存的密集版本（并且结果也会很密集）：

 >>> ssp.issparse(a.toarray()) False 

任何想法如何build立这个，而只保留稀疏的数据结构，而不必做一个'a'的列上不够高效的python循环？

Answer 1

我在scipy.org也回复了，但是我想我应该在这里添加一个答案，以防其他人在search时find这个页面。

你可以把vector变成一个稀疏的对angularmatrix，然后用matrix乘法（用*）和广播一样做，但效率很高。

 >>> d = ssp.lil_matrix((3,3)) >>> d.setdiag(np.ones(3)*3) >>> a*d <5x3 sparse matrix of type '<type 'numpy.float64'>' with 2 stored elements in Compressed Sparse Row format> >>> (a*d).todense() matrix([[ 0., 0., 0.], [ 0., 0., -3.], [ 0., 0., 0.], [ 0., 0., 0.], [ 0., 6., 0.]]) 

希望有所帮助！

Answer 2

我想A.multiply（B）应该scipy稀疏工作。 该方法乘“点”乘法，而不是matrix乘法。

HTH

Answer 3

那么，这是一个简单的代码，将做你想要的。 我不知道它是否有效，所以拿它或离开它：

 import scipy.sparse as ssp def pointmult(a,b): x = a.copy() for i in xrange(a.shape[0]): if x.data[i]: for j in xrange(len(x.data[i])): x.data[i] *= b[x.rows[i]] return x 

它只能与lilmatrix一起使用，所以如果你想要与其他格式一起工作，你必须做一些改变。