使用 scipy.sparse.csc_matrix.toarray() 将稀疏矩阵转换为数组时出错

我有一个scipy.sparse.csc_matrix http://docs.scipy.org/doc/scipy/reference/generated/scipy.sparse.csc_matrix.html我正在尝试将其转换为数组scipy.sparse.csc_matrix.toarray()。当我将该函数用于小型数据集时，它工作得很好。然而，当我将它用于大型数据集时，Python 解释器在调用该函数时立即崩溃，并且窗口关闭且没有错误消息。我试图转换为数组的矩阵是用以下命令创建的sklearn.feature_extraction.text.CountVectorizer。我在 Ubuntu 12.04 上运行 python 2.7.3。让事情变得复杂的是，当我尝试从终端运行脚本以保存任何错误消息时，日志不会记录任何错误消息，并且确实在脚本中更早地停止（尽管如果toarray()不被调用）。

你不能打电话toarray在大型稀疏矩阵上，因为它将尝试将所有值（包括零）显式存储在连续的内存块中。

让我们举个例子，假设你有稀疏矩阵 A：

>>> A.shape
(10000, 100000)
>>> A.nnz              # non zero entries
47231
>>> A.dtype.itemsize
8

非零数据的大小（以 MB 为单位）为：

>>> (A.nnz * A.dtype.itemsize) / 1e6
0.377848

您可以检查这是否与data稀疏矩阵数据结构的数组：

>>> A.data / 1e6
0.377848

根据稀疏矩阵数据结构的类型（CSR、CSC、COO...），它还以各种方式存储非零条目的位置。一般来说，这大约会使内存使用量增加一倍。所以A使用的总内存约为700kB。

转换为连续数组表示形式将实现内存中的所有零，结果大小将是：

>>> A.shape[0] * A.shape[1] * A.dtype.itemsize / 1e6
8000.0

对于本示例来说，该大小为 8GB，而原始稀疏表示的大小还不到 1MB。