[使用Python，NumPy，SciPy使用矩阵乘法对矩阵进行有效切片

Question

我想将2d scipy.sparse.csr.csr_matrix（我们称其为A）重塑为2d numpy.ndarray（我们称其为B）。

A可能是

>shape(A)
(90, 10)

然后B应该是

>shape(B)
(9,10)

其中A的每10行将以新的新值（即此窗口和列的最大值）进行整形。列运算符无法处理这种不可散列的稀疏矩阵。如何使用矩阵乘法获得此B？

Answer 1

使用矩阵乘法，您可以对切片进行有效的切片，以在正确的位置创建一个“切片”矩阵。切片的矩阵将与“切片器”具有相同的type，因此您可以有效地控制输出类型。

[下面您将看到一些比较，最适合您的情况是请求.A矩阵并将其切片。它显示出比.toarray()方法快得多。当将“切片器”创建为ndarray并乘以csr矩阵并对结果进行切片时，使用乘法是第二快的选择。

OBS：对矩阵coo使用A稀疏会导致时序稍慢，保持相同的比例，并且sol3不适用，后来我意识到在乘法运算中将其转换为csr自动。

import scipy
import scipy.sparse.csr as csr
test = csr.csr_matrix([
[11,12,13,14,15,16,17,18,19],
[21,22,23,24,25,26,27,28,29],
[31,32,33,34,35,36,37,38,39],
[41,42,43,44,45,46,47,48,49],
[51,52,53,54,55,56,57,58,59],
[61,62,63,64,65,66,67,68,69],
[71,72,73,74,75,76,77,78,79],
[81,82,83,84,85,86,88,88,89],
[91,92,93,94,95,96,99,98,99]])

def sol1():
    B = test.A[2:5]

def sol2():
    slicer = scipy.array([[0,0,0,0,0,0,0,0,0],
                          [0,0,0,0,0,0,0,0,0],
                          [0,0,1,0,0,0,0,0,0],
                          [0,0,0,1,0,0,0,0,0],
                          [0,0,0,0,1,0,0,0,0]])
    B = (slicer*test)[2:]
    return B

def sol3():
    B = (test[2:5]).A
    return B

def sol4():
    slicer = csr.csr_matrix( ((1,1,1),((2,3,4),(2,3,4))), shape=(5,9) )
    B = ((slicer*test).A)[2:] # just changing when we do the slicing
    return B

def sol5():
    slicer = csr.csr_matrix( ((1,1,1),((2,3,4),(2,3,4))), shape=(5,9) )
    B = ((slicer*test)[2:]).A
    return B


timeit sol1()
#10000 loops, best of 3: 60.4 us per loop

timeit sol2()
#10000 loops, best of 3: 91.4 us per loop

timeit sol3()
#10000 loops, best of 3: 111 us per loop

timeit sol4()
#1000 loops, best of 3: 310 us per loop

timeit sol5()
#1000 loops, best of 3: 363 us per loop
编辑：答案已经更新，用.toarray()代替.A，可以得到更快的结果，现在最好的解决方案放在最前面