Python 自适应稀疏矩阵时的意外行为

我有一个稀疏矩阵

M

和一个数组

a

，其中我想将

M

增加1。此数组

a

可能包含重复项，每当元素在

a

中出现

n次时，我想将
n
添加到
M
中的相应位置。我是这样做的：

from scipy import sparse as sp
M = sp.csr_matrix((3, 4), dtype=float)
M[[0,0,0,0,0], [0,1,0,1,0]] += 1

但是当我运行这个时，
M[0,0]
只增加了一个，有没有一个简单的方法来适应它？
MATLAB是如何处理的

numpy
有一个特殊的函数来处理这个重复的索引情况，
add.at


这还没有在
scipy.sparse
中实现

由于当从
coo
格式转换为
csr
格式时，
sparse
对重复的坐标求和，我怀疑这个问题可能是以一种利用这种方式产生的。实际上，
csr
矩阵有一个
M.sum\u duplicates
方法

我得想办法弄清楚细节



添加到
M
会产生相同的缓冲操作-带有警告。改变矩阵的稀疏性是相对昂贵的

In [886]: M[[0,0,0,0,0],[0,1,0,1,0]] += 1
....
  SparseEfficiencyWarning)
In [887]: M
Out[887]: 
<3x4 sparse matrix of type '<class 'numpy.float64'>'
    with 2 stored elements in Compressed Sparse Row format>
In [888]: M.A
Out[888]: 
array([[ 1.,  1.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])

现在我们可以添加原始的和新的：

In [898]: M = sparse.csr_matrix((3, 4), dtype=float)
In [899]: M+m
Out[899]: 
<3x4 sparse matrix of type '<class 'numpy.float64'>'
    with 2 stored elements in Compressed Sparse Row format>

[898]中的
：M=sparse.csr_矩阵（（3,4），dtype=float）
In[899]：M+M
出[899]：
请考虑阅读NoMPY和ScPy的文档，了解这里发生了什么。因此，基本的计算管道（对于矢量化方法）可能是：a：对位置进行排序（lex），B：创建一个1d的位置向量，在a中合并重复项，同时并行求和B（B的维数可能降低；某些条目可能从1增加到N），C：在使用a的索引时添加这些B值。更简单的方法（基于循环的方法）：只需抓住循环中的每个位置并（一个接一个）递增即可。好的，谢谢。我就是这样做的，但我希望会有一个更快的方法。我来自MATLAB，所以我总是希望矩阵运算比循环更快。大多数情况下都是这样。然后试一下我的第一种方法（或者等待一些专家提出更好的方法）。
In [886]: M[[0,0,0,0,0],[0,1,0,1,0]] += 1
....
  SparseEfficiencyWarning)
In [887]: M
Out[887]: 
<3x4 sparse matrix of type '<class 'numpy.float64'>'
    with 2 stored elements in Compressed Sparse Row format>
In [888]: M.A
Out[888]: 
array([[ 1.,  1.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])

In [895]: m = sparse.csr_matrix((np.ones(5,int),([0,0,0,0,0],[0,1,0,1,0])), shape=M.shape)
In [896]: m
Out[896]: 
<3x4 sparse matrix of type '<class 'numpy.int32'>'
    with 2 stored elements in Compressed Sparse Row format>
In [897]: m.A
Out[897]: 
array([[3, 2, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0]], dtype=int32)

In [898]: M = sparse.csr_matrix((3, 4), dtype=float)
In [899]: M+m
Out[899]: 
<3x4 sparse matrix of type '<class 'numpy.float64'>'
    with 2 stored elements in Compressed Sparse Row format>