我有一个大的二维ndarray，A，我想计算SVD检索最大特征值和相关的特征向量对。看看NumPy文档，似乎NumPy只能计算完整的SVD（numpy.linalg.svd），而SciPy的方法完全符合我的要求（scipy.sparse.linalg.svds），但是使用稀疏矩阵而我不想要执行A的转换，因为它需要额外的计算时间。
到目前为止，我已直接在svds上使用了SciPy A，但文档不鼓励将ndarray传递给这些方法。
有没有办法使用接受ndarray个对象的方法执行此任务？
答案 0 :(得分：4)
如果svds适用于密集的A数组，则继续使用它。你不需要把它转换成任何东西。 svds完成所需的所有调整。
它的文件说
A：{稀疏矩阵，LinearOperator} 用于计算形状（M，N）
的SVD的数组
但什么是LinearOperator？它是可以执行矩阵产品的包装器。对于密集阵列A.dot符合条件。
查看svds的代码。如果A = np.asarray(A)已经不是线性算子或稀疏矩阵，那么第一件事就是A。然后它抓取A.dot和(hemetianA).dot并创建一个新的LinearOperator。
这个函数中的稀疏矩阵没有什么特别之处。重要的是拥有兼容的矩阵产品。
看看这些时间：
In [358]: A=np.eye(10)
In [359]: Alg=splg.aslinearoperator(A)
In [360]: Am=sparse.csr_matrix(A)
In [361]: timeit splg.svds(A)
1000 loops, best of 3: 541 µs per loop
In [362]: timeit splg.svds(Alg)
1000 loops, best of 3: 964 µs per loop
In [363]: timeit splg.svds(Am)
1000 loops, best of 3: 939 µs per loop
直接使用A的速度最快。转换不会有帮助，即使它们不属于时序循环。