我有一个大的二维ndarrayA,我想计算检索最大特征值和相关特征向量对的SVD。查看NumPy文档,似乎NumPy只能计算完整的SVD(numpy.linalg.svd),而SciPy具有完全满足我需要的方法(scipy.sparse.linalg.svds),但是矩阵稀疏,我不想执行转换A的值,因为它将需要额外的计算时间。

到目前为止,我一直在svds上直接使用SciPy A,但是文档不鼓励将ndarray传递给这些方法。

有没有一种方法可以使用接受ndarray对象的方法来执行此任务?

最佳答案

如果svds与密集的A数组一起使用,请继续使用它。您无需将其转换为任何东西。 svds进行所有需要的调整。

它的文件说


  答:{稀疏矩阵,LinearOperator}
          用于计算形状(M,N)的SVD的数组


但是什么是LinearOperator?它是可以执行矩阵乘积的东西的包装。对于密集数组,A.dot合格。

查看svds的代码。如果A = np.asarray(A)还不是线性运算符或稀疏矩阵,则要做的第一件事就是A。然后,它捕获A.dot(hemetianA).dot并创建一个新的LinearOperator。

在此函数中,稀疏矩阵没有什么特别的。重要的是拥有兼容的矩阵产品。

看一下这些时间:

In [358]: A=np.eye(10)
In [359]: Alg=splg.aslinearoperator(A)
In [360]: Am=sparse.csr_matrix(A)
In [361]: timeit splg.svds(A)
1000 loops, best of 3: 541 µs per loop
In [362]: timeit splg.svds(Alg)
1000 loops, best of 3: 964 µs per loop
In [363]: timeit splg.svds(Am)
1000 loops, best of 3: 939 µs per loop


直接使用A最快。转换无济于事,即使它们不在时序循环内。

08-24 12:06