Question

我通常使用

matrix[:, i:]

似乎没有我预期的那么快。

Answer 1

如果要获得稀疏矩阵作为输出，最快的行切片方法是csr类型，以及切片csc，as detailed here的列。在这两种情况下，你只需要做你目前正在做的事情：

matrix[l1:l2,c1:c2]

如果你想要另一种类型作为输出，可能会有更快的方法。 In this other answer解释了许多切片矩阵的方法及其不同的时序比较。例如，如果您希望ndarray作为输出，则最快切片为：

matrix.A[l1:l2,c1:c2]

或：

matrix.toarray()[l1:l2,c1:c2]

比以下快得多：

matrix[l1:l2,c1:c2].A #or .toarray()

Answer 2

我发现通过滚动自己的行索引器可以更快地制作广告的scipy.sparse.csr_matrix快速行索引。这是个主意：

class SparseRowIndexer:
    def __init__(self, csr_matrix):
        data = []
        indices = []
        indptr = []

        # Iterating over the rows this way is significantly more efficient
        # than csr_matrix[row_index,:] and csr_matrix.getrow(row_index)
        for row_start, row_end in zip(csr_matrix.indptr[:-1], csr_matrix.indptr[1:]):
             data.append(csr_matrix.data[row_start:row_end])
             indices.append(csr_matrix.indices[row_start:row_end])
             indptr.append(row_end-row_start) # nnz of the row

        self.data = np.array(data)
        self.indices = np.array(indices)
        self.indptr = np.array(indptr)
        self.n_columns = csr_matrix.shape[1]

    def __getitem__(self, row_selector):
        data = np.concatenate(self.data[row_selector])
        indices = np.concatenate(self.indices[row_selector])
        indptr = np.append(0, np.cumsum(self.indptr[row_selector]))

        shape = [indptr.shape[0]-1, self.n_columns]

        return sparse.csr_matrix((data, indices, indptr), shape=shape)

也就是说，可以通过将每行的非零值存储在单独的数组中（每行具有不同的长度）并将所有这些行数组放在一个对象中来利用numpy数组的快速索引。可以有效索引的类型化数组（允许每行具有不同的大小）。列索引以相同的方式存储。该方法与标准CSR数据结构略有不同，后者将所有非零值存储在单个阵列中，需要查找以查看每行的开始和结束位置。这些查找可能会减慢随机访问速度，但应该可以有效地检索连续的行。

分析结果

我的矩阵mat是1,900,000x1,250,000 csr_matrix，有400,000,000个非零元素。 ilocs是一个包含200,000个随机行索引的数组。

>>> %timeit mat[ilocs]
2.66 s ± 233 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

与之相比：

>>> row_indexer = SparseRowIndexer(mat)
>>> %timeit row_indexer[ilocs]
59.9 ms ± 4.51 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

与布尔掩码相比，使用花式索引时，SparseRowIndexer似乎更快。

切片scipy.sparse矩阵的最快方法是什么？

2 个答案:

分析结果