我正在开发一个需要处理三维大型数组的项目。我使用的是numpy 3d数组，但我的大多数条目都是零，所以这是很多内存的浪费。 Scipy稀疏似乎只允许2D矩阵。有没有其他方法可以存储3D稀疏数组？
答案 0 :(得分：3)
scipy.sparse有许多格式，但只有一对格式有一组有效的数字操作。不幸的是，那些是更难扩展的。
dok使用索引的元组作为字典键。因此，很容易从2d推广到3d或更多。 coo有row，col，data个属性数组。从概念上讲，添加第三个depth（？）很容易。 lil可能需要列表中的列表，这可能会变得混乱。
但csr和csc将数组存储在indices，indptr和data数组中。这种格式是几年前由数学家处理线性代数问题，以及有效的数学运算（esp矩阵乘法）。 （相关论文在源代码中引用）。
因此，表示3d稀疏数组不是问题，但实现有效的向量运算可能需要一些基础数学研究。
你真的需要3D布局来进行矢量运算吗？例如，你可以将2个维度重塑为1，至少是暂时的吗？
元素操作（*，+， - ）与平面数组的数据一样，与2或3d版本一样。 np.tensordot通过将输入重新整形为2D数组并应用np.dot来处理nD矩阵乘法。即使在3d数组上使用np.einsum，产品求和通常也只是一对维度（例如'ijk，jl-＆gt; ikl'）
3D表示在概念上可以很方便，但我想不出需要它的数学运算（而不是2或1d）。
总的来说，我认为通过重塑数组比从尝试查找/实现真正的3D稀疏操作中获得更快的速度。
答案 1 :(得分：2)
你是对的;它看起来没有用于处理n维稀疏数组的既定工具。如果您只需要访问数组中的元素，则可以使用键入元组的字典进行选项。参见：
sparse 3d matrix/array in Python?
如果你需要对稀疏的3d矩阵进行操作，那就更难了 - 你可能不得不自己做一些编码。