python - 在 SciPy sparse.lil_matrix 中有效地设置行？

Question

我有维数约为 200.000 的稀疏向量。我还有一个矩阵，其列数和行数与向量数相同。我想以增量方式将所有这些设置为矩阵，也就是说，第一个向量应该设置为第一行，依此类推。

目前，矩阵和向量的类型是 scipy.sparse.lil_matrix。使用以下函数将向量设置为矩阵的特定行:

In [7]: us.get_utterance_representation('here is a sentence')
Out[7]:
<1x188796 sparse matrix of type '<type 'numpy.float64'>'
    with 22489 stored elements in Compressed Sparse Row format>

def set_row_vector(self, row, rowvector):
    self.matrix[row] = rowvector[0]

for row, utterance in enumerate(utterances):
    uvector = self.get_utterance_representation(utterance)
    self.utterancematrix.add_row_vector(row, uvector)

其中 uvector 是维度为 1x~200.000 的 lil_matrix。

事实证明，以这种方式创建矩阵非常低效，其中一个文本字符串(话语)最多需要 5 秒。查看分析，我得出的结论是将向量设置为矩阵中的一行是主要问题。

     55     def set_row_vector(self, row, rowvector):
         2564609 function calls (2564606 primitive calls) in 5.046 seconds

   Ordered by: internal time

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
    22489    1.397    0.000    1.397    0.000 {numpy.core.multiarray.where}
    22489    0.783    0.000    2.188    0.000 csr.py:281(_get_single_element)
    44978    0.365    0.000    0.916    0.000 stride_tricks.py:35(broadcast_arrays)
    44978    0.258    0.000    0.413    0.000 stride_tricks.py:22(as_strided)
   202490    0.244    0.000    0.244    0.000 {numpy.core.multiarray.array}
    22489    0.199    0.000    2.221    0.000 lil.py:280(__setitem__)
    44978    0.174    0.000    0.399    0.000 sputils.py:171(_unpack_index)
   584777    0.171    0.000    0.171    0.000 {isinstance}
    44988    0.170    0.000    0.230    0.000 sputils.py:115(isintlike)
    67467    0.166    0.000    0.278    0.000 sputils.py:196(_check_boolean)
    22489    0.154    0.000    0.647    0.000 sputils.py:215(_index_to_arrays)
        1    0.129    0.129    5.035    5.035 dsm_classes.py:55(set_row_vector)
    22489    0.120    0.000    0.171    0.000 lil.py:247(_insertat2)
    67467    0.102    0.000    0.102    0.000 {method 'ravel' of 'numpy.ndarray' objects}

我的问题是，有没有更好的方法来完成从话语中创建矩阵？

(谢谢)

Answer 1

首先，我认为您的 uvector 实际上是 CSR 格式，而不是 LIL。然而，这可能是最好的:

In [30]: import scipy.sparse as ss

In [31]: row = ss.rand(1,5000,0.1,'csr')

In [32]: matrix = ss.lil_matrix((30,5000))

In [33]: %timeit matrix[0] = row
10 loops, best of 3: 65.6 ms per loop

In [34]: row_lil = row.tolil()

In [35]: %timeit matrix[0] = row_lil
10 loops, best of 3: 93.4 ms per loop

接下来，您可以通过删除 rowvector 上的 [0] 下标来避免一些开销:

In [38]: %timeit matrix[0] = row[0]
10 loops, best of 3: 104 ms per loop

In [39]: %timeit matrix[0] = row
10 loops, best of 3: 68.7 ms per loop

最后，解决方案的核心是尽可能避免使用 LIL 格式。虽然它是最灵活的格式，但也是最慢的(通常)。例如，如果您只想一次构建一行矩阵，则可以使用 scipy.sparse.vstack :

In [40]: %%timeit
   ....: for i in xrange(matrix.shape[0]):
   ....:   matrix[i] = row
   ....:
1 loops, best of 3: 3.14 s per loop

In [41]: %timeit ss.vstack([row for i in xrange(matrix.shape[0])])
1000 loops, best of 3: 1.46 ms per loop

In [44]: m2 = ss.vstack([row for i in xrange(matrix.shape[0])])

In [45]: numpy.allclose(matrix.todense(), m2.todense())
Out[45]: True

编辑:如果内存是一个问题并且您仍然想要最大速度，您可以根据fast vstack for CSR matrices 创建自己的vstack .我将从复制 _compressed_sparse_stack 函数开始，并使用您的 CSR 行列表和 axis = 0 调用它。然后，您应该能够修改它以采用迭代器而不是列表，这将避免高内存开销。或者，您可以将这些步骤内联到您的 for 循环中。无论哪种方式，您都会损失一点速度，但可能会节省大量内存。