Question

我有一个numpy数组，如：

array = [0.2, 0.3, 0.4]

（这个矢量实际上是300k密度的大小，我只用简单的例子说明）

和使用Scipy创建的稀疏对称矩阵，如下所示：

M = [[0, 1, 2]  
     [1, 0, 1]  
     [2, 1, 0]]

（表示密集只是为了说明;在我的实际问题中它是一个（300k x 300k）稀疏矩阵）

是否可以将所有行乘以数组中的元素，然后对列进行相同的操作？

这将首先导致：

M = [[0 * 0.2, 1 * 0.2, 2 * 0.2]
     [1 * 0.3, 0 * 0.3, 1 * 0.3]
     [2 * 0.4, 1 * 0.4, 0 * 0.4]]

（行与数组中的元素相乘）

M = [[0, 0.2, 0.4]
     [0.3, 0, 0.3]
     [0.8, 0.4, 0]]

然后将列乘以：

M = [[0 * 0.2, 0.2 * 0.3, 0.4 * 0.4]
     [0.3 * 0.2, 0 * 0.3, 0.3 * 0.4]
     [0.8 * 0.2, 0.4 * 0.3, 0 * 0.4]]

最终导致：

M = [[0, 0.06, 0.16]
     [0.06, 0, 0.12]
     [0.16, 0.12, 0]]

我已经尝试应用我在this thread中找到的解决方案，但它没有用;我将M的数据乘以建议的数组中的元素，然后转换矩阵并应用相同的操作，但结果不正确，仍然不明白为什么！

只是指出这一点，我将运行此操作的矩阵有点大，它有2000万个非零元素，因此效率非常重要！

感谢您的帮助！

修改

Bitwise解决方案非常有效。计算此操作需要1.72秒，但这对我们的工作没有问题。 TNX！

Answer 1

通常，您希望避免循环并使用矩阵运算来提高速度和效率。在这种情况下，解是简单的线性代数，或者更具体地说是矩阵乘法。

要将M的列乘以数组A，乘以M * diag（A）。要将M的行乘以A，乘以diag（A）* M.要做到这两点：diag（A）* M * diag（A），可以通过以下方式完成：

numpy.dot(numpy.dot(a, m), a)

diag（A）这里是一个矩阵，除了在其对角线上有A之外都是零。您可以使用方法轻松创建此矩阵（例如numpy.diag（）和scipy.sparse.diags（））。

我希望这会非常快。

Answer 2

以下内容应该有效：

[[x*array[i]*array[j] for j, x in enumerate(row)] for i, row in enumerate(M)]

示例：

>>> array = [0.2, 0.3, 0.4]
>>> M = [[0, 1, 2], [1, 0, 1], [2, 1, 0]]
>>> [[x*array[i]*array[j] for j, x in enumerate(row)] for i, row in enumerate(M)]
[[0.0, 0.059999999999999998, 0.16000000000000003], [0.059999999999999998, 0.0, 0.12], [0.16000000000000003, 0.12, 0.0]]

由于floating point arithmetic的限制，值略有偏差。如果舍入错误不可接受，请使用decimal模块。

Answer 3

我使用这种组合：

String basePath = ".\\src\\main\\resources";

当轴为1（乘以行）时，我复制了this solution的第二种方法，当轴为0（乘以列）时，我使用multiply

就地结果（轴= 1）更有效。

通过Array中的元素乘以Python Sparse Matrix的行和列

3 个答案: