Python 确定稀疏矩阵商

我希望在python 2.7中划分两个稀疏矩阵，本质上是

k=分子/分母

，结果是一个类型为

sp.csr\u矩阵

的稀疏矩阵。我正在使用

scipy作为sp

和

numpy作为np

为了做到这一点，我遵循线性格式，取分子的点积和分母的倒数。这两个项目的格式均为

sp.csr_矩阵（[]，（[]，[]），形状=[R，R]）

k本身的计算是

k = sp.csr_matrix(numerator.dot(sp.linalg.inv(denominator)))

执行此操作将返回警告：

SparseEfficiencyWarning: splu requires CSC matrix format
warn('splu requires CSC matrix format', SparseEfficiencyWarning)

与确定

k

作为两个稀疏矩阵之间商的恒等式相关，上述警告是什么意思

在python中，是否有更有效的方法生成稀疏矩阵和稀疏矩阵逆的点积（两个稀疏矩阵的商）

---

我以前发现过，但我想知道这是否已经过时。

借用2013年的答案：

In [409]: a=np.random.rand(3,3)
In [410]: A=sparse.csr_matrix(a)
In [411]: np.linalg.inv(a)
Out[411]: 
array([[ 26.11275413,  -4.17749006,  -9.82626551],
       [-37.22611759,   9.38404027,  13.80073216],
       [  7.59314843,  -2.04314605,  -1.58410661]])

np

inv不是

sparse-aware

：

In [412]: np.linalg.inv(A) 
 ....
LinAlgError: 0-dimensional array given. Array must be at least two-dimensional

使用scipy.sparse import linalg中的

：

In [414]: linalg.inv(A).A
/usr/lib/python3/dist-packages/scipy/sparse/linalg/dsolve/linsolve.py:243: SparseEfficiencyWarning: splu requires CSC matrix format
  warn('splu requires CSC matrix format', SparseEfficiencyWarning)
/usr/lib/python3/dist-packages/scipy/sparse/linalg/dsolve/linsolve.py:161: SparseEfficiencyWarning: spsolve is more efficient when sparse b is in the CSC matrix format
  'is in the CSC matrix format', SparseEfficiencyWarning)
Out[414]: 
array([[ 26.11275413,  -4.17749006,  -9.82626551],
       [-37.22611759,   9.38404027,  13.80073216],
       [  7.59314843,  -2.04314605,  -1.58410661]])

因此，请使用
csc
格式而不是
csr
：

In [415]: A1=sparse.csc_matrix(a)
In [416]: linalg.inv(A1).A
Out[416]: 
array([[ 26.11275413,  -4.17749006,  -9.82626551],
       [-37.22611759,   9.38404027,  13.80073216],
       [  7.59314843,  -2.04314605,  -1.58410661]])

同样的事情，但没有稀疏警告。在不详细说明的情况下，
inv
必须使用在列而不是行上迭代的方法。它确实是spsolve（A，I）

（

I

是一个稀疏的

eye

矩阵）。

借用2013年的答案：

In [409]: a=np.random.rand(3,3)
In [410]: A=sparse.csr_matrix(a)
In [411]: np.linalg.inv(a)
Out[411]: 
array([[ 26.11275413,  -4.17749006,  -9.82626551],
       [-37.22611759,   9.38404027,  13.80073216],
       [  7.59314843,  -2.04314605,  -1.58410661]])

np

inv不是

sparse-aware

：

In [412]: np.linalg.inv(A) 
 ....
LinAlgError: 0-dimensional array given. Array must be at least two-dimensional

使用scipy.sparse import linalg中的

：

In [414]: linalg.inv(A).A
/usr/lib/python3/dist-packages/scipy/sparse/linalg/dsolve/linsolve.py:243: SparseEfficiencyWarning: splu requires CSC matrix format
  warn('splu requires CSC matrix format', SparseEfficiencyWarning)
/usr/lib/python3/dist-packages/scipy/sparse/linalg/dsolve/linsolve.py:161: SparseEfficiencyWarning: spsolve is more efficient when sparse b is in the CSC matrix format
  'is in the CSC matrix format', SparseEfficiencyWarning)
Out[414]: 
array([[ 26.11275413,  -4.17749006,  -9.82626551],
       [-37.22611759,   9.38404027,  13.80073216],
       [  7.59314843,  -2.04314605,  -1.58410661]])

因此，请使用
csc
格式而不是
csr
：

In [415]: A1=sparse.csc_matrix(a)
In [416]: linalg.inv(A1).A
Out[416]: 
array([[ 26.11275413,  -4.17749006,  -9.82626551],
       [-37.22611759,   9.38404027,  13.80073216],
       [  7.59314843,  -2.04314605,  -1.58410661]])

同样的事情，但没有稀疏警告。在不详细说明的情况下，
inv
必须使用在列而不是行上迭代的方法。它确实是spsolve（A，I）

（

I

是一个稀疏的

eye

矩阵）。

为什么2013年的答案会过时？您是否找到了任何

sparse

inv

函数或讨论？我认为它可能已经过时，因为从那时起，scipy库中的更新创建了一个成员函数，但我找不到该函数。未发现有关稀疏反转的讨论。一条评论指出，

sparse.linalg.inv

正在进行中-这在我的版本中存在。是的，我目前正在dot产品中使用

sp.linalg.inv

，但是，我收到了问题中详细说明的警告，我主要想知道警告是否可能是3小时过去且终端未返回结果的原因……为什么2013年的答案会过时？您是否找到了任何

sparse

inv

函数或讨论？我认为它可能已经过时，因为从那时起，scipy库中的更新创建了一个成员函数，但我找不到该函数。未发现有关稀疏反转的讨论。一条评论指出，

sparse.linalg.inv

正在进行中-这在我的版本中存在。是的，我目前正在dot产品中使用

sp.linalg.inv

，但是我收到了问题中详细的警告，我主要想知道警告是否是3个小时过去了，终端没有返回结果的原因…太好了，谢谢。您能否详细说明使用

csc

与

csr

的主要区别？我主要使用的是

csr

，因为这是保存遗留代码的格式。

csc

基本上是

csr

的转置。实际上，

M.T

其中

M

是

csr

，是

csc

，具有相同的数据和指针。查看他们的

数据

，

索引

和

indptr

属性。非常有用-我无法快速从

scipy

文档中识别出区别。非常感谢。太好了，谢谢。您能否详细说明使用

csc

与

csr

的主要区别？我主要使用的是

csr

，因为这是保存遗留代码的格式。

csc

基本上是

csr

的转置。实际上，

M.T

其中

M

是

csr

，是

csc

，具有相同的数据和指针。查看他们的

数据

，

索引

和

indptr

属性。非常有用-我无法快速从

scipy

文档中识别出区别。非常感谢。