在Python 3中创建任意维稀疏矩阵

所以我使用Python3创建了一个表单的矩阵

L=[B 0 0
   0 B 0
   0 0 B]

在哪里

但是我不想重复

B

三次，而是想重复

N次（取决于输入）。到目前为止，我的拍摄如下

import numpy as np
import scipy.sparse as sp

one=np.ones(N)
four=4*np.ones(N)
data = np.array([-one, four, -one])
diags = np.array([-1,0, 1])
B=sp.spdiags(data, diags, N, N).toarray() # Create matrix B

L=np.kron(np.eye(N), B)

但是，当
N
较大时，需要花费大量时间（这是必要的，因为这是为了求解微分方程）。有没有更有效的方法可以做到这一点？
这里没有计时（我没有性能保证），但对我来说，最自然的方法（我对kronecker没有太多经验）是scipy的，尽管我总是怀疑我是否正确使用它（在本例中：列表理解）：

代码
出来
这里没有时间安排（我没有性能保证），但对我来说，最自然的方法（我对kronecker没有太多经验）应该是scipy的，尽管我总是怀疑我是否正确使用它（在本例中：列表理解）：

代码
出来
sparse.kron
更快。但是还是比<代码> NP.KRON/COD>慢得多。我总是想知道它是否是（并且还没有检查内部结构）。忽略API支持传递块矩阵的三种想法：生成器、列表理解或numpy数组。我想scipy需要访问len，所以发电机可能无法访问。另一方面，预先构建密集表示（重复）的内存效率不是很高（对于本用例）。有什么评论吗？对于一些内存高效的惰性生成器支持（包括先验维度），是否有一些优点？请查看
block\u diag
的代码。它需要一个矩阵列表，然后将其转换为
sparse.bmat
需要的嵌套列表输入
bmat
然后收集所有矩阵的
coo
属性，用适当的偏移量组合它们，并生成一个新的更大的
coo
矩阵。它可以工作，但内部不是很漂亮。
sparse.kron
更快。但是还是比<代码> NP.KRON/COD>慢得多。我总是想知道它是否是（并且还没有检查内部结构）。忽略API支持传递块矩阵的三种想法：生成器、列表理解或numpy数组。我想scipy需要访问len，所以发电机可能无法访问。另一方面，预先构建密集表示（重复）的内存效率不是很高（对于本用例）。有什么评论吗？对于一些内存高效的惰性生成器支持（包括先验维度），是否有一些优点？请查看
block\u diag
的代码。它需要一个矩阵列表，然后将其转换为
sparse.bmat
需要的嵌套列表输入
bmat
然后收集所有矩阵的
coo
属性，用适当的偏移量组合它们，并生成一个新的更大的
coo
矩阵。它可以工作，但内部不是很漂亮。你需要一个稀疏矩阵结果吗？密集阵列构造几乎总是更快，但更快达到内存限制。是否需要稀疏矩阵结果？密集阵列构造几乎总是更快，但更快达到内存限制。
import numpy as np
import scipy.sparse as sp

one=np.ones(N)
four=4*np.ones(N)
data = np.array([-one, four, -one])
diags = np.array([-1,0, 1])
B=sp.spdiags(data, diags, N, N).toarray() # Create matrix B

L=np.kron(np.eye(N), B)

import numpy as np
import scipy.sparse as sp

N = 2
B = np.array([[4,-1,0],[-1,4,-1],[0,-1,4]])
L = sp.block_diag([B for i in range(N)])

print(L.todense())

[[ 4 -1  0  0  0  0]
 [-1  4 -1  0  0  0]
 [ 0 -1  4  0  0  0]
 [ 0  0  0  4 -1  0]
 [ 0  0  0 -1  4 -1]
 [ 0  0  0  0 -1  4]]