对 scipy.sparse.csr_matrix 中的行求和

Question

我有一个很大的 csr_matrix，我想添加多个行并获得一个具有相同列数但行数减少的新 csr_matrix。 （上下文：矩阵是从sklearn CountVectorizer得到的document-term矩阵，我希望能够根据这些文档关联的代码快速组合文档）

举个简单的例子，这是我的矩阵：

import numpy as np
from scipy.sparse import csr_matrix
from scipy.sparse import vstack

row = np.array([0, 4, 1, 3, 2])
col = np.array([0, 2, 2, 0, 1])
dat = np.array([1, 2, 3, 4, 5])
A = csr_matrix((dat, (row, col)), shape=(5, 5))
print A.toarray()

[[1 0 0 0 0]
 [0 0 3 0 0]
 [0 5 0 0 0]
 [4 0 0 0 0]
 [0 0 2 0 0]]

不，假设我想要一个新矩阵 B，其中行 (1, 4) 和 (2, 3, 5) 通过求和组合在一起，看起来像这样：

[[5 0 0 0 0]
 [0 5 5 0 0]]

并且应该再次采用稀疏格式（因为我正在使用的真实数据很大）。我试图对矩阵的切片求和，然后将其堆叠：

idx1 = [1, 4]
idx2 = [2, 3, 5]
A_sub1 = A[idx1, :].sum(axis=1)
A_sub2 = A[idx2, :].sum(axis=1)
B = vstack((A_sub1, A_sub2))

但这给了我切片中非零列的总和值，所以我不能将它与其他切片合并，因为求和切片中的列数不同。

我觉得必须有一个简单的方法来做到这一点。但我在网上或文档中找不到任何关于此的讨论。我错过了什么？

感谢您的帮助

Answer 1

请注意，您可以通过仔细构造另一个矩阵来做到这一点。以下是它对密集矩阵的工作方式：

>>> S = np.array([[1, 0, 0, 1, 0,], [0, 1, 1, 0, 1]])
>>> np.dot(S, A.toarray())
array([[5, 0, 0, 0, 0],
       [0, 5, 5, 0, 0]])
>>>

稀疏版本只是稍微复杂一点。 row：

col = range(5)
row = [0, 1, 1, 0, 1]
dat = [1, 1, 1, 1, 1]
S = csr_matrix((dat, (row, col)), shape=(2, 5))
result = S * A
# check that the result is another sparse matrix
print type(result)
# check that the values are the ones we want
print result.toarray()

输出：

<class 'scipy.sparse.csr.csr_matrix'>
[[5 0 0 0 0]
 [0 5 5 0 0]]

您可以通过在row 中包含更高的值并相应地扩展S 的形状来处理输出中的更多行。

Answer 2

索引应该是：

idx1 = [0, 3]       # rows 1 and 4
idx2 = [1, 2, 4]    # rows 2,3 and 5

那么你需要保持A_sub1和A_sub2为稀疏格式并使用axis=0：

A_sub1 = csr_matrix(A[idx1, :].sum(axis=0))
A_sub2 = csr_matrix(A[idx2, :].sum(axis=0))
B = vstack((A_sub1, A_sub2))
B.toarray()
array([[5, 0, 0, 0, 0],
       [0, 5, 5, 0, 0]])

注意，我认为A[idx, :].sum(axis=0) 操作涉及从稀疏矩阵转换 - 所以@Mr_E 的答案可能更好。

或者，当您使用axis=0 和np.vstack（而不是scipy.sparse.vstack）时，它可以工作：

A_sub1 = A[idx1, :].sum(axis=0)
A_sub2 = A[idx2, :].sum(axis=0)
np.vstack((A_sub1, A_sub2))

给予：

matrix([[5, 0, 0, 0, 0],
        [0, 5, 5, 0, 0]])