有沒有一種簡單而有效的方法來使一個稀疏的scipy矩陣（例如lil_matrix或csr_matrix）是對稱的？scipy稀疏矩陣的對稱化
當填充一個大的稀疏共生矩陣時，同時填寫[row，col]和[col，row]會非常低效。我想是這樣做的：
for i in data:
for j in data:
if cond(i, j):
lil_sparse_matrix[i, j] = some_value
# want to avoid this:
# lil_sparse_matrix[j, i] = some_value
# this is what I'm looking for:
lil_sparse.make_symmetric()
這類似於stackoverflow's numpy-smart-symmetric-matrix question，但特別是SciPy的稀疏矩陣。
好吧，它增加了賦值語句的數量，但是在大圖中懲罰是多少？
lil是索引賦值最有效的格式，但我在其他文章的替代方案中進行了探索。如果我沒有記錯的話，直接分配到data和rows屬性的lil會更快，儘管這在一次填充整行時主要是有價值的。
一個dok也比較快，但我發現，分配到一個普通的字典，然後更新到dok也較快。 （A dok是一個字典子類）。
但是如果你去了coo路線 - 的data，rows和cols價值的樓宇名單，創造既i,j和j,i而言，一旦成本不高。如果你可以一次定義一堆值，那更好，而不是迭代所有的i,j。
因此，高效地創建對稱矩陣只是有效矩陣定義問題的一個子集。
我不知道稀疏包中有任何對稱化函數。我不知道任何線性代數函數是否有對稱規定。我懷疑最有效的處理程序只是假設矩陣是上或下三角形，沒有明確的對稱值。
您可能會創建一個上三角矩陣，然後將這些值複製到下方。在密集的情況下，最簡單的方法是對矩陣和它的轉置進行求和（並且可能減去對角線）。但稀疏矩陣求和有點高效，所以可能不是最好的。但我沒有做任何測試。
============
轉置的總和ATLEAST沒有給我任何的警告效率：轉置的
In [383]: M=sparse.lil_matrix((10,10),dtype=int)
In [384]:
In [384]: for i in range(10):
...: for j in range(i,10):
...: v=np.random.randint(0,10)
...: if v>5:
...: M[i,j]=v
...:
In [385]: M
Out[385]:
<10x10 sparse matrix of type '<class 'numpy.int32'>'
with 22 stored elements in LInked List format>
In [386]: M.A
Out[386]:
array([[0, 7, 7, 0, 9, 0, 7, 0, 0, 9],
[0, 0, 7, 8, 0, 8, 0, 0, 9, 0],
[0, 0, 0, 7, 0, 0, 9, 0, 8, 0],
[0, 0, 0, 0, 0, 0, 6, 0, 6, 6],
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 8, 9, 0, 8],
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 8, 8],
[0, 0, 0, 0, 0, 0, 0, 0, 6, 8],
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])
款項（減去重複的對角線）：
In [389]: M+M.T-sparse.diags(M.diagonal(),dtype=int)
Out[389]:
<10x10 sparse matrix of type '<class 'numpy.int32'>'
with 43 stored elements in Compressed Sparse Row format>
In [390]: _.A
Out[390]:
array([[0, 7, 7, 0, 9, 0, 7, 0, 0, 9],
[7, 0, 7, 8, 0, 8, 0, 0, 9, 0],
[7, 7, 0, 7, 0, 0, 9, 0, 8, 0],
[0, 8, 7, 0, 0, 0, 6, 0, 6, 6],
[9, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 8, 0, 0, 0, 0, 8, 9, 0, 8],
[7, 0, 9, 6, 0, 8, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 9, 0, 0, 8, 8],
[0, 9, 8, 6, 0, 0, 0, 8, 6, 8],
[9, 0, 0, 6, 0, 8, 0, 8, 8, 0]], dtype=int32)
雙重分配辦法：
In [391]: M=sparse.lil_matrix((10,10),dtype=int)
In [392]: for i in range(10):
...: for j in range(i,10):
...: v=np.random.randint(0,10)
...: if v>5:
...: M[i,j]=v
...: M[j,i]=v
我沒有做過任何計時。
甲coo方法：
In [398]: data,rows,cols=[],[],[]
In [399]: for i in range(10):
...: for j in range(i,10):
...: v=np.random.randint(0,10)
...: if v>5:
...: if i==j:
...: # prevent diagonal duplication
...: data.append(v)
...: rows.append(i)
...: cols.append(j)
...: else:
...: data.extend((v,v))
...: rows.extend((i,j))
...: cols.extend((j,i))
...:
In [400]: sparse.coo_matrix((data,(rows,cols)),shape=(10,10)).A
Out[400]:
array([[0, 8, 0, 6, 8, 9, 9, 0, 0, 0],
[8, 7, 0, 0, 0, 6, 0, 8, 0, 0],
[0, 0, 0, 0, 0, 0, 9, 9, 7, 9],
[6, 0, 0, 0, 7, 0, 0, 0, 0, 6],
[8, 0, 0, 7, 0, 0, 8, 0, 0, 0],
[9, 6, 0, 0, 0, 0, 6, 0, 0, 0],
[9, 0, 9, 0, 8, 6, 8, 0, 0, 0],
[0, 8, 9, 0, 0, 0, 0, 6, 0, 6],
[0, 0, 7, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 9, 6, 0, 0, 0, 6, 0, 9]])
===============
它可能快一點，使上三COO矩陣，並延伸到下用列表（或陣列）級聯
In [401]: data,rows,cols=[],[],[]
In [402]: for i in range(10):
...: for j in range(i,10):
...: v=np.random.randint(0,10)
...: if v>5:
...: data.append(v)
...: rows.append(i)
...: cols.append(j)
In [408]: sparse.coo_matrix((data,(rows,cols)),shape=(10,10)).A
Out[408]:
array([[8, 0, 0, 9, 8, 7, 0, 7, 9, 0],
[0, 7, 6, 0, 0, 7, 0, 0, 9, 0],
[0, 0, 9, 8, 0, 9, 6, 0, 0, 6],
...]])
In [409]: data1=data+data
In [410]: rows1=rows+cols
In [411]: cols1=cols+rows
In [412]: sparse.coo_matrix((data1,(rows1,cols1)),shape=(10,10)).A
這複製了對角線，這是我需要以某種方式或其他（重複COO指數求和）來解決。但它提供瞭如何將樣式輸入收集到較大的塊中的想法。