Python 使用scipy.sparse.linalg中的SVD按降序排序的奇异值

我正在Python中将SVD应用于一个大型稀疏矩阵。我正在使用scipy.sparse.linalg包中的SVD。奇异值按升序排序，因此奇异向量与升序奇异值相对应。我想知道是否有一个选项以降序输出奇异值，以便奇异向量也与降序奇异值对应排列？下面只是一个示例代码：

from scipy.sparse.linalg import svds
from scipy import sparse
X = numpy.random.uniform(size = [40, 20])
X = scipy.sparse.csc_matrix(X)
u, s, vt = svds(X, 10, which = 'LM')

---

我试过sparsesvd python库。与样本矩阵上的SVD相比，sparsesvd的运行时间要长得多。所以我没有考虑使用sparsesvd。scipy中的常规svd包不适用于稀疏矩阵。谢谢大家!

您现在正在查找10个最大的奇异值，并按升序接收它们以及左、右奇异向量。如果需要n个最小值，只需将

which

关键字更改为

SM

但是，我知道您收到了正确的奇异值，但顺序错误。函数中没有开关可以这样做，但是向量和值可以按照以下规则重新排列：u的前n列和vt的前n行必须保持与奇异值相同的顺序

因此，反转奇异值：

n = len(s)
# reverse the n first columns of u
u[:,:n] = u[:, n-1::-1]
# reverse s
s = s[::-1]
# reverse the n first rows of vt
vt[:n, :] = vt[n-1::-1, :]

这非常简单（pv在他的评论中也给出了这一点），但诀窍不是重新排列完整的矩阵，而是重新排列相关的行/列。当然，任何置换都可以，所以通常（

perm

是置换向量）：

---

您是在尝试计算最小奇异值，还是以不同的顺序输出N个较大的奇异向量？如果是后者，则

u=u[：，：-1]；s=s[：-1]；vt=vt[：：-1，：]

（或类似的东西）应该足够了。

u[:,:n] = u[:, perm]
s = s[perm]
vt[:n, :] = vt[perm, :]