scipy.sparse：將行設置爲零

Question

假設我有一個CSR格式的矩陣，將行（或行）設置爲零的最有效方法是什麼？

下面的代碼運行很慢：

A = A.tolil() 
A[indices, :] = 0 
A = A.tocsr() 

我不得不因爲CSR格式似乎既不支持花哨的索引，也不值作爲片轉換爲scipy.sparse.lil_matrix。

Answer 1

我猜SciPy的只是沒有實現它，但是CSR格式將支持此相當好，請閱讀關於「稀疏矩陣」維基百科的文章什麼indptr等都是：

# A.indptr is an array, one for each row (+1 for the nnz): 

def csr_row_set_nz_to_val(csr, row, value=0): 
    """Set all nonzero elements (elements currently in the sparsity pattern) 
    to the given value. Useful to set to 0 mostly. 
    """ 
    if not isinstance(csr, scipy.sparse.csr_matrix): 
     raise ValueError('Matrix given must be of CSR format.') 
    csr.data[csr.indptr[row]:csr.indptr[row+1]] = value 

# Now you can just do: 
for row in indices: 
    csr_row_set_nz_to_val(A, row, 0) 

# And to remove zeros from the sparsity pattern: 
A.eliminate_zeros() 

當然這會從稀疏模式中刪除從另一位置eliminate_zeros設置的0。如果你想這樣做（在這一點上）取決於你在做什麼，即。消除可能是有意義的，直到所有其他可能會添加新零的計算都完成爲止，或者在某些情況下，您可能有0個值，以後要再次更改，所以消除它們將會非常糟糕！

原則上你當然可以將eliminate_zeros和prune短路，但這應該是很多麻煩，甚至可能會更慢（因爲你不會在C中）。約eliminiate_zeros（和刪節）

---

詳細

的稀疏矩陣，通常不會保存零個元素，但只是其中存儲非零元素是（大致與各種方法）。 eliminate_zeros從稀疏模式中刪除矩陣中的所有零（即沒有爲該位置存儲的值，當在之前存儲了vlaue，但它是0）。如果您希望稍後將0更改爲不同的值，則消除效果很差，否則會節省空間。

修剪只會收縮存儲的數據數組，然後它們需要更長的時間。請注意，雖然我第一次有A.prune()那裏，A.eliminiate_zeros()已經包括修剪。

Answer 2

更新到最新版本的scipy。它支持花哨的索引。

Answer 3

您可以使用矩陣點產品來實現該調零。由於我們將使用的矩陣非常稀疏（對角線，對於零/零列的行/列爲零），因此乘法應該是有效的。

你需要以下功能之一：

import scipy.sparse 

def zero_rows(M, rows): 
    diag = scipy.sparse.eye(M.shape[0]).tolil() 
    for r in rows: 
     diag[r, r] = 0 
    return diag.dot(M) 

def zero_columns(M, columns): 
    diag = scipy.sparse.eye(M.shape[1]).tolil() 
    for c in columns: 
     diag[c, c] = 0 
    return M.dot(diag) 

用例：

>>> A = scipy.sparse.csr_matrix([[1,0,3,4], [5,6,0,8], [9,10,11,0]]) 
>>> A 
<3x4 sparse matrix of type '<class 'numpy.int64'>' 
     with 9 stored elements in Compressed Sparse Row format> 
>>> A.toarray() 
array([[ 1, 0, 3, 4], 
     [ 5, 6, 0, 8], 
     [ 9, 10, 11, 0]], dtype=int64) 

>>> B = zero_rows(A, [1]) 
>>> B 
<3x4 sparse matrix of type '<class 'numpy.float64'>' 
     with 6 stored elements in Compressed Sparse Row format> 
>>> B.toarray() 
array([[ 1., 0., 3., 4.], 
     [ 0., 0., 0., 0.], 
     [ 9., 10., 11., 0.]]) 

>>> C = zero_columns(A, [1, 3]) 
>>> C 
<3x4 sparse matrix of type '<class 'numpy.float64'>' 
     with 5 stored elements in Compressed Sparse Row format> 
>>> C.toarray() 
array([[ 1., 0., 3., 0.], 
     [ 5., 0., 0., 0.], 
     [ 9., 0., 11., 0.]])