给定一个 100 万维的二次矩阵,我想计算对角线度矩阵。
对角度矩阵定义为对角矩阵,每行的非零值计数作为条目。
矩阵,我们称之为A
,格式为scipy.sparse.csr_matrix
。
如果我的机器有足够的能量,我会做
diagonal_degrees = []
for row in A:
diagonal_degrees.append(numpy.sum(row!=0))
我什至试过了,但结果是
ValueError: array is too big.
所以我尝试利用scipy的稀疏结构。我是这样想的:
diagonal_degrees = []
CSC_format = A.tocsc() # A is in scipys CSR format.
for i in range(CSC_format.shape[0]):
row = CSC_format.getrow(i)
diagonal_degrees.append(numpy.sum(row!=0))
我有两个问题:
- 有没有更有效的方法,我可能忽略了?
- 虽然 docs of scipy sparse state :
All conversions among the CSR, CSC, and COO formats are efficient, linear-time operations.
为什么我会得到一个
SparseEfficiencyWarning: changing the sparsity structure of a csr_matrix is expensive. lil_matrix is more efficient.
从 CSR 转变为 CSC 时?
最佳答案
如果您只需要计算非零元素,则有 nonzero
可能有用的方法。
确切的代码是(在 Joe Kington 和 matehat 的帮助下):
diag_deg, _ = np.histogram(x.nonzero()[0], np.arange(x.shape[0]+1))
# generating a diagonal matrix with diag_deg
dim = x.shape[0]
diag_mat = np.zeros((dim**2, ))
diag_mat[np.arange(0, dim**2, dim+1)] = diag_deg
diag_mat.reshape((dim, dim))
尽管对于大型数组(dim ~ 100 万
),如 Aufwind 所述, np.zeros((dim**2, ))
给出异常:ValueError: Maximum allowed dimension exceeded
。另一种解决方法是使用稀疏矩阵:
diag_mat = sparse.coo_matrix((dim, dim))
diag_mat.setdiag(diag_deg)
关于python - 如何从巨大的(scipy.sparse)矩阵计算对角线度矩阵?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/8905723/