我有一个 numpy
数组 Z
的形状为 (k,N)
和第二个数组 X
形状 (N,n)
。
使用 numpy
广播,我可以很容易地获得一个新数组 H
,其形状为 (n,k,N)
,其切片是数组Z
的行乘以 X
的列:
H = Z.reshape((1, k, N)) * X.T.reshape((n, 1, N))
这工作正常,而且出奇地快。
现在,X
非常稀疏,我想使用稀疏矩阵运算进一步加速此运算。
但是,如果我执行以下操作:
import scipy.sparse as sprs
spX = sprs.csr_matrix(X)
H = (Z.reshape((1,k,N))*spX.T.reshape((n,1,N))).dot(Z.T)
我收到以下错误:
Traceback (most recent call last):
File "<input>", line 1, in <module>
File "C:\Python27\lib\site-packages\scipy\sparse\base.py", line 126, in reshape
self.__class__.__name__)
NotImplementedError: Reshaping not implemented for csc_matrix.
有没有办法使用稀疏 scipy
矩阵进行广播?
最佳答案
Scipy 稀疏矩阵仅限于二维形状。但是您可以以“稀疏”的方式使用 Numpy:
H = np.zeros((n,k,N), np.result_type(Z, X))
I, J = np.nonzero(X)
Z_ = np.broadcast_to(Z, H.shape)
H[J,:,I] = Z_[J,:,I] * X[I,J,None]
不幸的是,结果 H
仍然是一个密集数组。
注意使用 None
进行索引是在所需轴上添加单位长度维度的简便方法。将高级索引与切片相结合时的结果顺序是 explained in the docs .
关于python - 使用带有稀疏 scipy 矩阵的广播,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40652088/