我的代码中有以下表达式:
a = (b / x[:, np.newaxis]).sum(axis=1)
其中
b
是形状(M, N)
的ndarray,而x
是形状(M,)
的ndarray。现在,b
实际上是稀疏的,因此为了提高内存效率,我想用scipy.sparse.csc_matrix
或csr_matrix
代替。但是,未实现以这种方式进行广播(即使保证了除法或乘法可保持稀疏性)(x
的条目不为零),并引发了NotImplementedError
。有我不知道的sparse
函数可以实现我想要的功能吗? (dot()
将沿错误的轴求和。) 最佳答案
如果b
为CSC格式,则b.data
具有b
的非零条目,而b.indices
具有每个非零条目的行索引,因此您可以按以下方式进行除法:
b.data /= np.take(x, b.indices)
它比沃伦(Warren)的优雅解决方案更加骇人听闻,但在大多数情况下,它可能也会更快:
b = sps.rand(1000, 1000, density=0.01, format='csc')
x = np.random.rand(1000)
def row_divide_col_reduce(b, x):
data = b.data.copy() / np.take(x, b.indices)
ret = sps.csc_matrix((data, b.indices.copy(), b.indptr.copy()),
shape=b.shape)
return ret.sum(axis=1)
def row_divide_col_reduce_bis(b, x):
d = sps.spdiags(1.0/x, 0, len(x), len(x))
return (d * b).sum(axis=1)
In [2]: %timeit row_divide_col_reduce(b, x)
1000 loops, best of 3: 210 us per loop
In [3]: %timeit row_divide_col_reduce_bis(b, x)
1000 loops, best of 3: 697 us per loop
In [4]: np.allclose(row_divide_col_reduce(b, x),
...: row_divide_col_reduce_bis(b, x))
Out[4]: True
如果就地进行除法,则在上面的示例中,您可以将时间减少近一半,即:
def row_divide_col_reduce(b, x):
b.data /= np.take(x, b.indices)
return b.sum(axis=1)
In [2]: %timeit row_divide_col_reduce(b, x)
10000 loops, best of 3: 131 us per loop
关于python - 使用scipy.sparse.csc_matrix替代numpy广播,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/16043299/