Python 使用Nimfa的稀疏矩阵分解对于隐式零非常缓慢

我试图用python库分解非常大的矩阵。 由于矩阵太大，我无法在内存中以一种新的格式实例化它，所以我使用

该库有一个名为的稀疏矩阵函数，这似乎就是我要寻找的

在试用时，我遇到了严重的因式分解性能问题（不是内存表示，而是速度），我还不能将一个简单的10 x 95矩阵分解为稀疏矩阵

以下是我构建测试矩阵的方式：

m1 = lil_matrix((10, 95))
for i in xrange(10):
    for j in xrange(95):
        if random.random() > 0.8: m1[i, j] = 1
m1 = csc_matrix(m1)

这就是我运行它的方式

t = time()
fctr = nimfa.mf(m1, 
              seed = "random_vcol", 
              rank = 2, 
              method = "snmf", 
              max_iter = 15, 
              initialize_only = True,
              version = 'r',
              eta = 1.,
              beta = 1e-4, 
              i_conv = 10,
              w_min_change = 0)
print numpy.shape(m1)
a =  nimfa.mf_run(fctr)
print a.coef()
print a.basis()
print time() - t

这似乎还没有结束。但如果我做m1.todense（），它会在几秒钟内完成。因为我无法实例化我的真实矩阵，这对我来说不是一个好的解决方案

我尝试过不同的scipy.sparse矩阵格式，但没有成功：csc_矩阵、csr_矩阵和dok_矩阵

---

我使用了错误的矩阵格式吗？snmf算法需要快速执行哪些矩阵运算？还有其他我忽略的错误吗

我做了一些挖掘，它们的稀疏实现中似乎有一个bug。它是什么，我不知道，但是如果你看in_spfcnlls len（f_set），它永远不会减少，循环永远运行。如果矩阵不是稀疏的，则永远不会调用该方法。我在github存储库上打开了一个问题

---

同时，numpy或scipy中是否有适合您需要的因式分解功能？

建议：这是一个开源软件包，您可以看看它的源代码，这可能会澄清一些问题。也许您可以尝试在