python - 如何更快地读取/遍历/切片 Scipy 稀疏矩阵(LIL、CSR、COO、DOK)？

Question

要操作 Scipy 矩阵，通常会使用内置方法。但有时您需要读取矩阵数据以将其分配给非稀疏数据类型。为了演示，我创建了一个随机的 LIL 稀疏矩阵，并使用不同的方法将其转换为 Numpy 数组(纯 Python 数据类型会更有意义!)。

from __future__ import print_function
from scipy.sparse import rand, csr_matrix, lil_matrix
import numpy as np

dim = 1000
lil = rand(dim, dim, density=0.01, format='lil', dtype=np.float32, random_state=0)
print('number of nonzero elements:', lil.nnz)
arr = np.zeros(shape=(dim,dim), dtype=float)

非零元素的数量:10000

索引阅读

%%timeit -n3
for i in xrange(dim):
    for j in xrange(dim):
        arr[i,j] = lil[i,j]

3 个循环，3 个循环中的最佳:每个循环 6.42 秒

使用nonzero()方法

%%timeit -n3
nnz = lil.nonzero() # indices of nonzero values
for i, j in zip(nnz[0], nnz[1]):
    arr[i,j] = lil[i,j]

3 个循环，3 个循环中的最佳:每个循环 75.8 毫秒

使用内置方法直接转换为数组

这个不是读取矩阵数据的通用解决方案，因此不算作解决方案。

%timeit -n3 arr = lil.toarray()

3 个循环，3 个循环中的最佳:每个循环 7.85 毫秒

用这些方法读取 Scipy 稀疏矩阵根本没有效率。有没有更快的方法来读取这些矩阵？

Answer 1

一个类似的问题，但处理设置稀疏值，而不是仅仅读取它们:

Efficient incremental sparse matrix in python / scipy / numpy

更多关于使用底层表示访问值的信息

Efficiently select random non-zero column from each row of sparse matrix in scipy

还有

why is row indexing of scipy csr matrices slower compared to numpy arrays

Why are lil_matrix and dok_matrix so slow compared to common dict of dicts?

看看 M.nonzero 做了什么:

    A = self.tocoo()
    nz_mask = A.data != 0
    return (A.row[nz_mask],A.col[nz_mask])

它将矩阵转换为 coo 格式并返回 .row 和 .col 属性 - 在过滤掉任何“杂散”0 之后在 .data 属性中。

因此您可以跳过中间人并直接使用这些属性:

 A = lil.tocoo()
 for i,j,d in zip(A.row, A.col, A.data):
      a[i,j] = d

这几乎和 toarray 一样好:

In [595]: %%timeit
   .....: aa = M.tocoo()
   .....: for i,j,d in zip(aa.row,aa.col,aa.data):
   .....:   A[i,j]=d
   .....: 
100 loops, best of 3: 14.3 ms per loop

In [596]: timeit  arr=M.toarray()
100 loops, best of 3: 12.3 ms per loop

但是如果你的target真的是一个数组，就不需要迭代了

In [603]: %%timeit
   .....: A=np.empty(M.shape,M.dtype)
   .....: aa=M.tocoo()
   .....: A[aa.row,aa.col]=aa.data
   .....: 
100 loops, best of 3: 8.22 ms per loop

我对@Thoran 的 2 种方法的时间是:

100 loops, best of 3: 5.81 ms per loop
100 loops, best of 3: 17.9 ms per loop

同样的时间。