改变单个操作的稀疏结构

Question

我有A格式的矩阵coo（由scipy.sparse.bmat创建）：

A
<80000x80000 sparse matrix of type '<class 'numpy.float64'>'
    with 278480 stored elements in COOrdinate format>

我想

1. 更改此矩阵特定行中的所有值
2. 在已更改的矩阵
上解决spsolve(A, g)的某些g

现在，我无法更改coo格式的行。以下作品：

AA = A.tocsr()
AA[10, :] = 1  # or whatever other array I want to put here
spsolve(AA, g)

但我会得到一个

SparseEfficiencyWarning: Changing the sparsity structure of a csr_matrix is expensive. lil_matrix is more efficient.
  SparseEfficiencyWarning)

现在，据我所知，lil_matrix在解决线性代数方面效率很低 - 所以即使我将稀疏性结构更改为lil，我也应该更改回{{1}之后我或csr。

总的来说，值得吗？我不想加速测试我在这里进行的每一项操作：是否有规则的“改变稀疏性”与“行切片”与“算术运算”的代价是多少？程序员通常如何处理这类问题？

Answer 1

尽管有警告，但csr的一次性更改优于lil的往返次数：

In [137]: %%timeit M = sparse.random(10,10,.2,format='csr')
     ...: M[-1,:] = np.arange(10)
     ...: 
  SparseEfficiencyWarning)
204 µs ± 5.06 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [139]: %%timeit M = sparse.random(10,10,.2,format='csr')
     ...: M1=M.tolil(); M1[-1,:] = np.arange(10); M = M1.tocsr()
444 µs ± 9.91 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [141]: %%timeit M = sparse.random(10,10,.2,format='lil')
     ...: M[-1,:] = np.arange(10)
162 µs ± 84.2 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)