python - 使用 int 列表的稀疏矩阵切片

Question

我正在针对大量稀疏数据编写机器学习算法(我的矩阵形状为 (347, 5 416 812 801) 但非常稀疏，只有 0.13% 的数据不为零。

我的稀疏矩阵大小为 105 000 字节 (<1Mbytes) 并且是 csr 类型。

我试图通过为每个训练集/测试集选择一个示例索引列表来分离训练集/测试集。 所以我想使用以下方法将我的数据集一分为二:

training_set = matrix[train_indices]

形状 (len(training_indices), 5 416 812 801)，仍然稀疏

testing_set = matrix[test_indices]

形状 (347-len(training_indices), 5 416 812 801) 也是稀疏的

用training_indices和testing_indices两个list的int

但是 training_set = matrix[train_indices] 似乎失败并返回一个 Segmentation fault (core dumped)

这可能不是内存问题，因为我在具有 64GB RAM 的服务器上运行此代码。

关于可能是什么原因的任何线索？

Answer 1

我想我已经重新创建了 csr 行索引:

def extractor(indices, N):
   indptr=np.arange(len(indices)+1)
   data=np.ones(len(indices))
   shape=(len(indices),N)
   return sparse.csr_matrix((data,indices,indptr), shape=shape)

在我闲逛的 csr 上进行测试:

In [185]: M
Out[185]: 
<30x40 sparse matrix of type '<class 'numpy.float64'>'
    with 76 stored elements in Compressed Sparse Row format>

In [186]: indices=np.r_[0:20]

In [187]: M[indices,:]
Out[187]: 
<20x40 sparse matrix of type '<class 'numpy.float64'>'
    with 57 stored elements in Compressed Sparse Row format>

In [188]: extractor(indices, M.shape[0])*M
Out[188]: 
<20x40 sparse matrix of type '<class 'numpy.float64'>'
    with 57 stored elements in Compressed Sparse Row format>

与许多其他 csr 方法一样，它使用矩阵乘法来产生最终值。在这种情况下，稀疏矩阵在选定行中为 1。时间其实好一点。

In [189]: timeit M[indices,:]
1000 loops, best of 3: 515 µs per loop
In [190]: timeit extractor(indices, M.shape[0])*M
1000 loops, best of 3: 399 µs per loop

在您的情况下，提取器矩阵的形状为 (len(training_indices),347)，只有 len(training_indices) 值。所以它并不大。

但是如果 matrix 太大(或者至少第二维太大)以至于它在矩阵乘法例程中产生一些错误，它可能会在没有 python/numpy 陷阱的情况下引起段错误

matrix.sum(axis=1) 是否有效。这也使用了矩阵乘法，尽管有一个 1s 的密集矩阵。或者 sparse.eye(347)*M，类似大小的矩阵乘法？