使用稀疏scipy矩阵的广播

Question

我有一个形状为(k,N)的numpy数组Z和一个形状为(N,n)的第二个数组X

使用numpy广播，我可以轻松地获得一个新的数组H ，其形状为(n,k,N)其切片为数组Z其行已乘以X的列：

H = Z.reshape((1, k, N)) * X.T.reshape((n, 1, N))

这工作正常，而且速度惊人。 现在， X非常稀疏，我想使用稀疏矩阵运算进一步加速此操作。

但是，如果我执行以下操作：

import scipy.sparse as sprs
spX = sprs.csr_matrix(X)
H = (Z.reshape((1,k,N))*spX.T.reshape((n,1,N))).dot(Z.T)

我收到以下错误：

Traceback (most recent call last):
  File "<input>", line 1, in <module>
  File "C:\Python27\lib\site-packages\scipy\sparse\base.py", line 126, in reshape
    self.__class__.__name__)
NotImplementedError: Reshaping not implemented for csc_matrix.

有没有办法使用稀疏scipy矩阵的广播？

Answer 1

Scipy稀疏矩阵仅限于2D形状。 但是你可以以“稀疏”的方式使用Numpy：

H = np.zeros((n,k,N), np.result_type(Z, X))
I, J = np.nonzero(X)
Z_ = np.broadcast_to(Z, H.shape)
H[J,:,I] = Z_[J,:,I] * X[I,J,None]

不幸的是，结果H仍然是密集阵列。

使用None Nb索引是在所需轴上添加单位长度尺寸的便捷方法。 将高级索引与切片相结合时的结果顺序在文档中进行了解释 。