Python 稀疏矩阵的numpy.prod（）的scipy等价物

我正在寻找与scipy提供的稀疏表示（）一起使用的等价的。具体来说，我试着沿着一个轴计算乘积。我可以先转换为稠密（

M.todense（）.prod（axis=0）

），但我正在寻找更有效的方法

对于沿每个列的

prod

缩减操作，即

轴=0

，对于所有非零的列，我们将仅具有非零输出。我们可以利用这个事实来定制一个推出的版本，就像这样-

def sparse_prod_axis0(A):
    # Valid mask of row length that has all non-zeros along each col
    valid_mask = A.getnnz(axis=0)==A.shape[0] # Thanks to @hpaulj on this!

    # Initialize o/p array of zeros
    out = np.zeros(A.shape[1],dtype=A.dtype)

    # Set valid positions with prod of each col from valid ones
    out[valid_mask] = np.prod(A[:,valid_mask].A,axis=0)
    return np.matrix(out)

样本运行-

In [92]: from scipy.sparse import csr_matrix
    ...: a = np.random.randint(0,4,(5,10))
    ...: A = csr_matrix(a)
    ...: 

In [93]: (A.todense().prod(axis=0))
Out[93]: matrix([[ 0,  0,  6, 48,  0,  0,  0,  0, 72,  0]])

In [94]: sparse_prod_axis0(A)
Out[94]: matrix([[ 0,  0,  6, 48,  0,  0,  0,  0, 72,  0]])

---

我不认为有一个等价物。大多数稀疏矩阵只实现元素操作。大多数（如果不是所有的话）值将为0。整行或整列必须密集，非零。

csr\u matrix.getnnz（axis=None）

可能有用；位

getmmz

使用

bincount

：）@谢谢！现在好多了！谢谢我对它计时，你的函数比转换为稠密函数快15倍。