使用 Python、NumPy、SciPy 进行矩阵乘法的高效矩阵切片

我想重塑 2dscipy.sparse.csr.csr_matrix（我们称其为A) 到 2dnumpy.ndarray（让我们称之为B).

A可能

>shape(A)
(90, 10)

then B应该

>shape(B)
(9,10)

其中每 10 行A将被重塑为一个新的新值，即该窗口和列的最大值。列运算符不适用于这种不可散列类型的稀疏矩阵。我怎样才能得到这个B通过使用矩阵乘法？

使用矩阵乘法，您可以进行有效的切片，创建一个“切片器”矩阵，其中的矩阵位于正确的位置。切片矩阵将具有相同的type作为“切片器”，因此您可以有效地控制输出类型。

下面您将看到一些比较，对您来说最有效的方法是询问.A矩阵并对其进行切片。事实证明它比.toarray()方法。当“切片器”创建为ndarray，乘以csr矩阵并对结果进行切片。

OBS：使用coo稀疏矩阵A导致时间稍微慢一些，保持相同的比例，并且sol3不适用，我后来意识到在乘法中它被转换为csr自动地。

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：答案已更新替换.toarray() by .A，提供更快的结果，现在最好的解决方案被放置在顶部