Question

我有一个迭代遍历矩阵的所有非零值的算法，如下所示：

for row, col, val in itertools.izip(matrix.row, matrix.col, matrix.data):
    dostuff(row, col, val)

我意识到这是在numpy中迭代稀疏矩阵的最快方法，如Iterating through a scipy.sparse vector (or matrix)中所述。

我的问题是，我在每次评估时执行的功能都采用另一个向量，我们称之为vec，如果vec[row]等于0则不执行任何操作，这在某些情况下是(row, col, val)对于大多数行都是如此。

因此，我不想遍历vec[row] != 0矩阵中的所有非零三元组import numpy as np import scipy.sparse as sp import itertools N = 10000 matrix = sp.rand(N, N, density=0.0001, format='coo', dtype=None, random_state=None) vec = np.zeroes(N) s = 0 for row, col, val in itertools.izip(matrix.row, matrix.col, matrix.data): if vec[row] != 0: s += vec[row] * val # in reality, some other function is here。

我目前所做的是

的简单而愚蠢的解决方案

vec[row]!=0

如果vec行不多，那么它比原始代码更快地工作和工作。但是，如果vec=np.ones(len(matrix.data))的所有值都不为零，则代码运行缓慢，这是我不允许忽略的情况（例如，如果izip。

因此，我需要for row, col, val in itertools.izip(matrix.row, matrix.col, matrix.data, lambda x: vec[x[0]] !> 0): dostuff(row, col, val)的某种扩展，这将允许我“有条件地”迭代它的输出，所以我会写类似

{{1}}

你有什么建议？最快的方法是什么？

Answer 1

您可以在行，列和数据上使用Numpy的特殊索引：

which = vec[matrix.row] != 0

rows = matrix.row[which]
cols = matrix.col[which]
data = matrix.data[which]

for row, col, val in itertools.izip(rows, cols, data):
    s += vec[row] * val

使用itertools.izip优化迭代

1 个答案: