python - 为什么 lil_matrix 和 dok_matrix 与普通的 dicts 相比如此慢？

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:

LiL matrix:

DoK matrix:

但是，当我运行基准测试与构建值字典(稍后可以轻松转换为稀疏矩阵)相比时，后者比使用任何稀疏矩阵模型快 10-20 倍:

from scipy.sparse import dok_matrix, lil_matrix
from timeit import timeit
from collections import defaultdict

def common_dict(rows, cols):
    freqs = defaultdict(lambda: defaultdict(int))
    for row, col in zip(rows, cols):
        freqs[row][col] += 1

    return freqs

def dok(rows, cols):
    freqs = dok_matrix((1000,1000))
    for row, col in zip(rows, cols):
        freqs[row,col] += 1

    return freqs

def lil(rows, cols):
    freqs = lil_matrix((1000,1000))
    for row, col in zip(rows, cols):
        freqs[row,col] += 1

    return freqs


def benchmark():
    cols = range(1000)
    rows = range(1000)

    res = timeit("common_dict({},{})".format(rows, cols),
                 "from __main__ import common_dict",
                 number=100)

    print("common_dict: {}".format(res))

    res = timeit("dok({},{})".format(rows, cols),
                 "from __main__ import dok",
                 number=100)

    print("dok: {}".format(res))

    res = timeit("lil({},{})".format(rows, cols),
                 "from __main__ import lil",
                 number=100)

    print("lil: {}".format(res))

结果:

benchmark()

common_dict: 0.11778324202168733
dok: 2.2927695910912007
lil: 1.3541790939634666

是什么导致了矩阵模型的这种开销，有什么方法可以加速它？是否有使用 dok 或 lil 优先于通用 dicts 的用例？

最佳答案

当我将您的 += 更改为 = 时，您的 2 个稀疏数组:

for row, col in zip(rows, cols):
    #freqs[row,col] += 1
    freqs[row,col] = 1

他们各自的时间减半。消耗最多时间的是索引。对于 +=，它必须同时执行 __getitem__ 和 __setitem__ 。

当文档说 dok 和 lil 更适合迭代构造时，它们意味着扩展其底层数据结构比其他格式更容易。

当我尝试用你的代码制作一个 csr 矩阵时，我得到一个:

和 30 倍慢的速度。

因此，速度声明与 csr 等格式有关，与纯 Python 或 numpy 结构无关。

您可能想查看 dok_matrix.__get_item__ 和 dok_matrix.__set_item__ 的 Python 代码，看看当您执行 freq[r,c] 时会发生什么。

构建 dok 的更快方法是:

freqs = dok_matrix((1000,1000))
d = dict()
for row, col in zip(rows, cols):
    d[(row, col)] = 1
freqs.update(d)

利用 dok 是子类字典这一事实。请注意， dok 矩阵不是字典字典。它的键是像 (50,50) 这样的元组。

构造相同稀疏数组的另一种快速方法是:

freqs = sparse.coo_matrix((np.ones(1000,int),(rows,cols)))

换句话说，由于您已经拥有 rows 和 cols 数组(或范围)，计算相应的 data 数组，然后构建稀疏数组。

但是，如果您必须在增量增长步骤之间对矩阵执行稀疏操作，那么 dok 或 lil 可能是您的最佳选择。

稀疏矩阵是为线性代数问题开发的，例如求解具有大型稀疏矩阵的线性方程。我多年前在 MATLAB 中使用它们来解决有限差分问题。对于这项工作，计算友好的 csr 格式是最终目标，coo 格式是一种方便的初始化格式。

现在很多SO scipy sparse问题都来自scikit-learn和文本分析问题。它们也用于生物数据库文件。但仍然 (data),(row,col) 定义方法效果最好。

所以稀疏矩阵从来就不是为了快速增量创建。像字典和列表这样的传统 Python 结构在这方面要好得多。

这是一个更快的 dok 迭代，它利用了它的字典方法。 update 似乎和普通字典一样快。 get 比等效索引( freq[row,col] )快大约 3 倍。索引可能使用 get ，但必须有很多开销。

def fast_dok(rows, cols):
    freqs = dok_matrix((1000,1000))
    for row, col in zip(rows,cols):
         i = freqs.get((row,col),0)
         freqs.update({(row,col):i+1})
    return freqs

跳过 get ，只是做

         freqs.update({(row,col): 1)

甚至更快 - 比 defaultdict 示例的 defaultdict 更快，几乎和简单的字典初始化一样快({(r, c):1 for r,c in zip(rows, cols)})

关于python - 为什么 lil_matrix 和 dok_matrix 与普通的 dicts 相比如此慢？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/27770906/