Python 标准化稀疏行概率矩阵

我有一个稀疏矩阵，有几个元素。现在我想把它正常化。但是，当我这样做时，它会被转换为一个numpy数组，这从性能角度来看是不可接受的

为了使事情更具体，请考虑下面的例子：

x = csr_matrix([[0, 1, 1], [2, 3, 0]])  # sparse
normalization = x.sum(axis=1)  # dense, this is OK

x / normalization  # this is dense, not OK, can be huge

有没有一种优雅的方法可以做到这一点，而不必求助于for循环

编辑

---

是的，这可以使用

sklearn.preprocessing.normalize

使用“l1”规范化来完成，但是，我不希望依赖sklearn

您可以始终使用

csr

内部构件：

>>> import numpy as np
>>> from scipy import sparse
>>> 
>>> x = sparse.csr_matrix([[0, 1, 1], [2, 3, 0]]) 
>>> 
>>> x.data = x.data / np.repeat(np.add.reduceat(x.data, x.indptr[:-1]), np.diff(x.indptr))
>>> x
<2x3 sparse matrix of type '<class 'numpy.float64'>'
        with 4 stored elements in Compressed Sparse Row format>
>>> x.A
array([[0. , 0.5, 0.5],
       [0.4, 0.6, 0. ]])

>>将numpy作为np导入
>>>从scipy导入稀疏
>>> 
>>>x=sparse.csr_矩阵（[[0,1,1]，[2,3,0]]
>>> 
>>>x.data=x.data/np.repeat（np.add.reduceat（x.data，x.indptr[：-1]），np.diff（x.indptr））
>>>x
>>>x.A
数组（[[0,0.5,0.5]，
[0.4, 0.6, 0. ]])

您可以始终使用

csr

内部构件：

>>> import numpy as np
>>> from scipy import sparse
>>> 
>>> x = sparse.csr_matrix([[0, 1, 1], [2, 3, 0]]) 
>>> 
>>> x.data = x.data / np.repeat(np.add.reduceat(x.data, x.indptr[:-1]), np.diff(x.indptr))
>>> x
<2x3 sparse matrix of type '<class 'numpy.float64'>'
        with 4 stored elements in Compressed Sparse Row format>
>>> x.A
array([[0. , 0.5, 0.5],
       [0.4, 0.6, 0. ]])

>>将numpy作为np导入
>>>从scipy导入稀疏
>>> 
>>>x=sparse.csr_矩阵（[[0,1,1]，[2,3,0]]
>>> 
>>>x.data=x.data/np.repeat（np.add.reduceat（x.data，x.indptr[：-1]），np.diff（x.indptr））
>>>x
>>>x.A
数组（[[0,0.5,0.5]，
[0.4, 0.6, 0. ]])

请参见。。。我不希望依赖scikit learn或networkx。这不是很有帮助。“我不希望依赖于scikit learn或networkx。”好吧，如果你把它放在问题中，那么我们就会知道这些建议没有帮助。我们无法读懂你的心思！你说得对，我应该说清楚的。看。。。我不希望依赖scikit learn或networkx。这不是很有帮助。“我不希望依赖于scikit learn或networkx。”好吧，如果你把它放在问题中，那么我们就会知道这些建议没有帮助。我们无法读懂你的心思！你说得对，我应该说清楚的。谢谢你！这正是我要找的！很高兴知道这一点。谢谢+1.在1000x800随机矩阵上，您的答案甚至比

sklearn.preprocessing.normalize

更快。谢谢！这正是我要找的！很高兴知道这一点。谢谢+1.在1000x800随机矩阵上，您的答案甚至比

sklearn.preprocessing.normalize

更快。