Numpy高效构建稀疏coo_matrix或更快的列表扩展

Question

我有一个100k项目列表，每个项目都有一个索引列表。 我试图把它放入一个布尔稀疏矩阵进行向量乘法。 我的代码运行速度不如我想的那么快，所以我正在寻找性能提示或者可能是将这些数据放入矩阵的替代方法。

rows = []
cols = []
for i, item in enumerate(items):
    indices = item.getIndices()
    rows += [i]*len(indices)
    cols += indices

data = np.ones(len(rows), dtype='?')
mat = coo_matrix(data,(rows,cols)),shape=(len(items),totalIndices),dtype='?')
mat = mat.tocsr()

在行/列表列表中最多有800k项目，这些列表的扩展似乎占建筑时间的16％和13％。 转换为coo_matrix然后占用12％。 计数占13％。 我从line_profiler获得了这些统计信息，我使用的是python 3.3。

Answer 1

许多稀疏矩阵算法在数据中运行两次，一次计算稀疏矩阵的大小，另一种用正确的值填充它。 所以也许值得尝试这样的事情：

total_len = 0
for item in items:
    total_len += len(item.getIndices())

rows = np.empty((total_len,), dtype=np.int32)
cols = np.empty((total_len,), dtype=np.int32)

total_len = 0
for i, item in enumerate(items):
    indices = item.getIndices()
    len_ = len(indices)
    rows[total_len:total_len + len_] = i
    cols[total_len:total_len + len_] = indices
    total_len += len_

跟着你目前正在做的事情。 您还可以直接构建CSR矩阵，避免使用COO，这也可以节省一些时间。 在第一次运行后找出你要做的总大小：

indptr = np.empty((len(items) + 1,), dtype=np.int32)
indptr[0] = 0
indices = np.empty((total_len,), dtype=np.int32)

for i, item in enumerate(items):
    item_indices = item.getIndices()
    len_ = len(item_indices)
    indptr[i+1] = indptr[i] + len_
    indices[indptr[i]:indptr[i+1]] = item_indices

data = np.ones(total_len,), dtype=np.bool)
mat = csr_matrix((data, indices, indptr))

Answer 2

我能做的最好的事情是：

def foo3(items,totalIndices):
    N = len(items)
    cols=[]
    cnts=[]
    for item in items:
        indices = getIndices(item)
        cols += indices
        cnts.append(len(indices))
    rows = np.arange(N).repeat(cnts) # main change
    data = np.ones(rows.shape, dtype=bool)
    mat = sparse.coo_matrix((data,(rows,cols)),shape=(N,totalIndices))
    mat = mat.tocsr()
    return mat

对于100000物品，它的速度只增加了50％。