Numpy 如何删除小的非零值并增加稀疏性？

我有一个很大的csr_矩阵（46000*46000），但是这个矩阵非常密集，它的稀疏度约为0.05%。大多数非零值都小于1，我想删除这些值并增加稀疏度

import scipy.sparse as sp
cgc=sp.load_npz('/root/cg.npz')
print cgc.count_nonzero()                 #2115920056
cgc=cgc[cgc>1]                            #too slow

您有两个选择：

• 将元素归零，然后进行转换。这在阵列上起作用以节省内存和时间，但会更改原始阵列（它似乎已保存到磁盘上，因此不应该是问题）：

---

并让它成为稀疏矩阵

-你是说其中一个SciPy稀疏矩阵吗？是的，我想删除大多数非零值并增加矩阵的稀疏度。你可以执行掩蔽来更改

cgc.data

的值。那应该很快。但是你需要运行inplace

eliminate_zeros

方法，这会更慢。谢谢，但是矩阵中有数十亿个none值小于1，所以“cgc[cgcSlow是真的，但我不太确定是否“低效”。我说低效与“cgc=cgc[cgc>1]”相比，刚才我找到了一个选项“cgc.astype”（“int32”）“，我认为还有其他方法可以解决这个问题

cgc[cgc<1] = 0
cgc = scipy.sparse.csr_matrix(cgc)

i, j = np.flatnonzero(cgc > 1)
cgc_sparse = np.csr_matrix((cgc[i, j], (i, j)))