在稀疏numpy 2D阵列上优化每元素操作

我需要一个99.9%的大稀疏2D矩阵上的

M=np.log（1+M）

如何有效地执行此操作

x，y=M.nonzero（）

将检索非零元素的坐标对，但是我可以对这些坐标对进行

log

操作向量化吗

numpy似乎没有稀疏的支持。

这是最简单的：

import numpy as np
import scipy.sparse as sps

M = sps.csr_matrix(M)

M.data += 1
M.data = np.log(M.data)

如果它特别大，您也可以将其记录在适当的位置（这会阻止上面的完整副本）：

这两个选项都适用于密集矩阵，只需稍作修改——如果你的矩阵是99.9%稀疏的，我会开始使用实际的稀疏数据结构

您也可以在密集数组上使用

where

参数，但我怀疑它实际上会更快：

M = np.add(M, 1, out=M, where=M!=0)
M = np.log(M, out=M, where=M!=0)

---

scipy

有一个

sparse

模块。但是我不会仅仅为了这个

log

而使用它，也许还可以演示如何在适当的位置执行日志：

M.data=np.log（M.data，out=M.data）

这里不需要分块。@max9111哦，好主意-我不知道你可以给

out

相同的数组。注意numpy有

log1p

（日志一加）

M = np.add(M, 1, out=M, where=M!=0)
M = np.log(M, out=M, where=M!=0)