Python SciPy稀疏矩阵上的numpy.allclose（）

我使用的是稀疏矩阵，但是

numpy.allclose（）

函数给出了错误，因为它只接受numpy数组作为输入。我不想将稀疏矩阵转换为数组，然后再转换回稀疏矩阵，因为这样效率会很低。是否有其他方法检查两个稀疏矩阵的

allclose（）

？

您可以设置用于比较的体系结构，然后使用numpy进行评估：

def simrank_sparse(A,c,maxiter,eps=1e-4):

    if not sp.issparse(A):
        raise Exception("Input is not a sparse matrix ")

    n=sp.csr_matrix.get_shape(A)[0]
    Q=misc.get_column_normalized_matrix(A)
    sim=sp.eye(n)
    I=sp.eye(n)
    sim_prev=sp.csr_matrix(sim)

    for t in range(maxiter):

        if sc.allclose(sim,sim_prev,atol=eps):
            break
        sim_prev=sc.copy(sim)
        sim=c*(Q.T*sim_prev*Q)+(1-c)*I

    print("Converge after %d iterations (eps=%f)." % (t, eps))
    return sim

def csr\u allclose（a、b、rtol=1e-5、atol=1e-8）：
c=np.abs（np.abs（a-b）-rtol*np.abs（b））
返回c.max（）如果您知道矩阵在稀疏性（非零数量和匹配的非零索引）中匹配，那么您可以只比较
数据

def csr_allclose(a, b, rtol=1e-5, atol = 1e-8):
    c = np.abs(np.abs(a - b) - rtol * np.abs(b))
    return c.max() <= atol

如果矩阵是以相同的方式构造的，或者其中一个矩阵是另一个矩阵的保稀疏导数，则该结果为真

一些时间测试：

np.allclose(sim.data,sim_prev.data,atol=eps)

如果矩阵稀疏匹配，我们可以比较
数据
属性以节省大量时间：

In [155]: M1 = sparse.random(1000,1000,.2, 'csr')
In [156]: 
In [156]: timeit np.abs(M-M1).max()
12.3 ms ± 339 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [157]: timeit np.abs(M.A-M1.A).max()
24.4 ms ± 624 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

对稀疏性进行初步检查可以节省大量时间（前提是我们不担心ε

size非零值）：

从计时中删除

toarray（）

步骤，在同等大小的密集阵列上有效地执行

allclose

：

In [170]: timeit np.allclose(M.indptr,M1.indptr)
97.8 µs ± 2.29 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

稀疏矩阵的减法比我预期的要好

---

实际上我不需要使用

np.abs

；Python

abs

委托给

M.\uuu abs\uuuu

方法，即：

In [164]: %%timeit Ma=M.A; M1a=M1.A
     ...: np.abs(Ma-M1a).max()
     ...: 
14.8 ms ± 31 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

---

通常，

numpy

函数不适用于

sparse

矩阵。也有例外，通常是因为函数将操作委托给矩阵方法。我想不起稀疏的等价物，但检查文档。要从头开始，我首先比较

shape

、

dtype

和

nnz

。然后比较

sim.indptr

属性。这是整数，我想应该是

allclose

。从那里，我们必须比较

索引

，然后比较

数据

属性。但我们可能需要首先检查它们是否是“cannonical”——所有的零都已删除，重复项已求和，列也已按顺序排列。有很多东西要检查。@Warren:谢谢你能抓到。更新以解决错误。

In [170]: timeit np.allclose(M.indptr,M1.indptr)
97.8 µs ± 2.29 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [164]: %%timeit Ma=M.A; M1a=M1.A
     ...: np.abs(Ma-M1a).max()
     ...: 
14.8 ms ± 31 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

def __abs__(self):
    return self._with_data(abs(self._deduped_data()))