Python scipy.sparse表示numpy.random\u multivariable\u normal

我想节省一点内存，并想创建一个

scipy.sparse

标识矩阵（

dim

有数千个，不可怕，但也不节俭）。请注意，它的形状通过了

assert

：

cov = sigma_0 * sparse.identity(dim, dtype=np.float32)
assert (dim, dim) == cov.shape
result = np.random.multivariate_normal(mu, cov)

但是，以下方法可以很好地工作：

cov = sigma_0 * np.identity(dim, dtype=np.float32)
assert (dim, dim) == cov.shape
result = np.random.multivariate_normal(mu, cov)

---

我是否在文档的某个地方漏掉了这样一句话，即稀疏协方差矩阵预期会因

ValueError

而失败？

这里发生的是，在输入数组中被转换为数组：

cov=np.数组（cov）

它最终创建了一个dtype

object

的标量数组，因为numpy对稀疏矩阵一无所知

In [3]: cov = sparse.identity(100, dtype=np.float32)

In [4]: cov.shape
Out[4]: (100, 100)

In [5]: np.array(cov)
Out[5]: 
array(<100x100 sparse matrix of type '<type 'numpy.float32'>'
        with 100 stored elements (1 diagonals) in DIAgonal format>, dtype=object)

[3]中的

：cov=sparse.identity（100，dtype=np.float32）
在[4]中：cov.形状
Out[4]：（100100）
In[5]：np.数组（cov）
出[5]：
数组（，dtype=object）

我可能错了，但我不相信

numpy

知道稀疏矩阵。一般来说，稀疏矩阵实现了许多与numpy数组相同的函数，但是如果这些函数被传递到C代码中，那么我打赌numpy函数将无法工作。通常，您可以期望

scipy.sparse

中的大多数函数使用稀疏矩阵。

numpy

函数如果将操作委托给数组自己的方法，则使用稀疏矩阵。否则，他们会天真地尝试将矩阵转换为numpy数组，结果弄错了

cov.toarray（）

是将稀疏矩阵转换为密集矩阵的正确方法。

In [3]: cov = sparse.identity(100, dtype=np.float32)

In [4]: cov.shape
Out[4]: (100, 100)

In [5]: np.array(cov)
Out[5]: 
array(<100x100 sparse matrix of type '<type 'numpy.float32'>'
        with 100 stored elements (1 diagonals) in DIAgonal format>, dtype=object)