python中存储大型对称稀疏矩阵的最有效方法

我当时正在起草/测试一项我设计的技术，用于解决速度和效率的微分方程

---

它需要存储、操作、调整大小，并且（在某些时候）可能需要对非常大的稀疏矩阵进行对角化。我希望能够有由零和几个组成的行（例如使用）。

您可以使用字典和元组访问数据：

>>> size = (4,4)
>>> mat = {}
>>> mat[0,1] = 3
>>> mat[2,3] = 5
>>> for i in range(size[0]):
        for j in range(size[1]):
            print mat.get((i,j), 0) ,
        print

0 3 0 0
0 0 0 0
0 0 0 5
0 0 0 0

当然，您应该为此创建一个类，并添加所需的方法：

class Sparse(dict):
    pass

---

顺便说一句，您也可以使用lib中的

scipy.sparse

对称稀疏矩阵最有效的存储方法可能是（例如，英特尔MKL就是这样使用的）.AFAIK

scipy.sparse

不包含稀疏对称矩阵格式。但是，使用Pysparse，您可以使用链接列表格式增量构建矩阵，然后将矩阵转换为稀疏天际线格式。就性能而言，我通常发现Pysparse在大型稀疏系统中优于scipy，并且构建块（矩阵积、特征值解算器、直接解算器、迭代解算器）目前，虽然例程的范围可能比scipy中可用的要小一些。

矩阵有多大？您调查过numpy吗？或者尝试过吗？我预期会出现这样的情况：我使用过numpy和一点scipy。我主要想检查这些确实是最具可扩展性的选项，以及有关usin的任何提示g的gpu。好的，如果这将是最有效的，那就这样吧。谢谢，我主要是想检查模糊的答案。我会再给这个问题一个小时左右，看看是否有其他答案弹出，然后我会将此标记为已解。谢谢。@Feynman稀疏矩阵类应该过度隐藏

\uuGetItem\uuuuuuuuuuu

方法，当e没有数据谢谢你的提示。我对python还是相当陌生。我一定会重写getitem方法。我想我会将稀疏类建立在scipy稀疏类的基础上，并修改一些内置内容。