我想将稀疏矩阵的行除以数组中给出的标量。
例如，我有一个csr_matrix C ：
C = [[2,4,6], [5,10,15]]
D = [2,5]
我希望C除法后的结果是：
result = [[1, 2, 3], [1, 2, 3]]
我已经使用我们用于numpy 数组的方法进行了尝试：
result = C / D[:,None]
但这似乎真的很慢。如何在稀疏矩阵中有效地做到这一点？
【问题讨论】：
标签： python numpy scipy sparse-matrix
问题：我想将稀疏矩阵的行除以数组中给出的标量。 例如： C = [[2,4,6], [5,10,15]] D = [2,5]
答案：使用稀疏矩阵接口提供的"multiply" - 它允许将矩阵“逐点”乘以矩阵以及向量和标量
C = [[2,4,6], [5,10,15]] D = [2,5]从 scipy.sparse 导入 csr_matrix
c = csr_matrix(C)
c2 = c.multiply(1/np.array(D).reshape(2,1))
c2.toarray()
'输出:' 数组([[ 2, 4, 6], [ 5, 10, 15]], dtype=int64)
PS
感谢亚历山大·基里林
【讨论】：
如果您首先将D 转换为numpy.matrix（我假设您可以这样做，除非D 太大而无法放入内存），那么您可以运行
C.multiply(1.0 / D.T)
得到你想要的。
【讨论】：
方法#1
这是使用indexing 手动复制的稀疏矩阵解决方案-
from scipy.sparse import csr_matrix
r,c = C.nonzero()
rD_sp = csr_matrix(((1.0/D)[r], (r,c)), shape=(C.shape))
out = C.multiply(rD_sp)
输出是一个稀疏矩阵，与 C / D[:,None] 的输出相反，它创建了一个完整的矩阵。因此，建议的方法可以节省内存。
使用np.repeat 而非索引进行复制可能会提高性能 -
val = np.repeat(1.0/D, C.getnnz(axis=1))
rD_sp = csr_matrix((val, (r,c)), shape=(C.shape))
方法 #2
另一种方法可能涉及稀疏矩阵的data 方法，它为我们提供了in-place 结果的稀疏矩阵的平面视图，并且还避免使用nonzero，就像这样 -
val = np.repeat(D, C.getnnz(axis=1))
C.data /= val
【讨论】：
Approach #2 怎么样？
rD_sp = csr_matrix(((1.0/D)[c], (r,c)), shape=(C.shape))
一行代码：result = [[C[i][j]/D[i] for j in range(len(C[0]))] for i in range(len(D))]
C = [[2,4,6], [5,10,15]] #len(C[0]) = 3
D = [2,5] # len(D) = 2
result = [[C[i][j]/D[i] for j in range(len(C[0]))] for i in range(len(D))]
print result
【讨论】：