Question

我有两个相同维度的大型稀疏矩阵，其中一个具有哑元（0/1），我需要计算它们的Hadamard乘积（按元素相乘）：

density = 40000000
rows = 1500000
cols = 1000
a = sparse.csr_matrix(sparse.coo_matrix((np.random.random_sample((density,)),
                                        (np.random.choice(np.arange(rows), density), 
                                         np.random.choice(np.arange(cols), density))), 
                                          shape=(rows,cols)))
b = sparse.csr_matrix(sparse.coo_matrix((np.random.choice(np.arange(2), density),
                                        (np.random.choice(np.arange(rows), density), 
                                         np.random.choice(np.arange(cols), density))), 
                                          shape=(rows,cols)))

由于这是重复几千次的一系列矩阵运算中唯一的耗时步骤（在我的机器上，此乘法大约需要1.7秒），因此我正在研究如何使这一步骤更有效

与乘法相反。

a.multiply(b)

..我在想，因为第二个矩阵是一个伪矩阵，所以真正需要发生的是获取伪矩阵的非零索引，然后用这些坐标保留另一个矩阵的值。下面的简化示例只是为了说明这一点。

array([[0.94510061, 0.10967919, 0.29398388],              array([[0., 0., 1.],            array([[0., 0., 0.29398388],
       [0.94510061, 0.10967919, 0.29398388],                     [0., 0., 1.],                   [0., 0., 0.29398388],
       [0.94510061, 0.10967919, 0.29398388],      x              [0., 1., 0.],    =              [0., 0.10967919, 0.],   
       [0.41112772, 0.94716107, 0.2308533 ],                     [1., 0., 0.],                   [0.41112772, 0., 0.],
       [0.41112772, 0.94716107, 0.2308533 ]])                    [0., 1., 0.]])                  [0., 0.94716107, 0.]])

要实现此目的，我将矩阵a切片如下所示，结果证明这非常耗时（计划是将vals放在新的coo_matrix具有相同的坐标）。

nz = sparse.csr_matrix.nonzero(b)
vals = a[nz[0], nz[1]]

问题1：是否有更有效的方法来分割稀疏矩阵？

我知道密集a（a.A[nz[0], nz[1]]）的切片速度很多，但是将其转换为密集的开销却超出了我试图实现的目的实现。

此外，我读了另一个SO问题，试图达到相反的效果（即稀疏矩阵的有效切片），最好的方法可能是与虚拟对象相乘-这对我的问题不是很令人鼓舞。所以， 第二季度，如果有人能想到比我尝试实现的解决方案更好的解决方案，那将是非常受欢迎的。

子矩阵稀疏的最有效方法

0 个答案: