Python 如何从一个巨大的（scipy.sparse）矩阵计算对角度矩阵？

给定一个100万维的二次矩阵，我想计算对角度矩阵

对角度矩阵定义为对角矩阵，每行的非零值计数作为入口

矩阵，我们称之为

A

的格式是

scipy.sparse.csr\u矩阵

如果我的机器有足够的动力，我就这么做

diagonal_degrees = []
for row in A:
    diagonal_degrees.append(numpy.sum(row!=0))

我甚至试过，但结果是

ValueError: array is too big.

所以我尝试利用scipy的稀疏结构。我这样想：

diagonal_degrees = []
CSC_format = A.tocsc() # A is in scipys CSR format.
for i in range(CSC_format.shape[0]):
    row = CSC_format.getrow(i)
    diagonal_degrees.append(numpy.sum(row!=0))

我有两个问题：

有没有更有效的方法，我可能忽略了

而

CSR、CSC和COO格式之间的所有转换都是高效的线性时间操作

为什么我会得到一份工作

SparseEfficiencyWarning: changing the sparsity structure of a csr_matrix is expensive. lil_matrix is more efficient.

---

当从CSR更改为CSC时？

如果您只需要计算非零元素，那么有一种方法可能很有用

确切代码为（在和的帮助下）：

尽管对于大型阵列（

dim~100万

），如所述，

np.zeros（（dim**2，）

给出了例外情况：

ValueError:超出了允许的最大尺寸

。另一种解决方法是使用稀疏矩阵：

diag_mat = sparse.coo_matrix((dim, dim))
diag_mat.setdiag(diag_deg)

---

在

csr\u矩阵

中设置一个项目时，会出现错误。“改变稀疏结构”与不同稀疏矩阵格式之间的转换无关。当你添加一个“密集”项时。如果你只需要计算非零元素，这个方法看起来很有希望。正如@avaris已经告诉你的，你可以只做

diag_deg，uu=np.histogram（x.nonzero（）[0]，np.arange（x.shape[0]+1））

@Joe:请把这变成一个答案，这样我就可以投票并接受了。这应该是@avaris的，在我看来，正如他指出的那样，

nonzero

。为了补充这个伟大的解决方案，如果想从

diag_deg

生成对角矩阵，他可以写

diag_mat=np.zero（（x.shape[0]**2，）

然后

diag_mat[np.arange（0，x.shape[0]**2，x.shape[0]+1）]=diag_deg

和最后

诊断材料重塑（（x.shape[0]，x.shape[0]））

。很抱歉代码太少……我不想为此创建新的答案；）@matehat：感谢您完成解决方案。让

dim=x.shape[0]

不幸的是

np。零（（dim**2，）

会导致

值错误：当
dim
过高时，超出了允许的最大尺寸。就我而言，
dim
大约是一百万。因此，在处理高维矩阵时，应该选择另一种方法。例如：
diag_mat=sparse.coo_matrix（（dim，dim））
然后
diag_mat.setdiag（diag_deg）
@Avaris：也许你想将这两个注释合并到你的答案中。因此，对于面临类似问题的人来说，这本书变得更加完整，阅读起来也更好。@Aufwind:Will。谢谢你的通知。
diag_mat = sparse.coo_matrix((dim, dim))
diag_mat.setdiag(diag_deg)