Python 具有3D阵列的Scipy稀疏点积

我必须在2D和3D阵列之间执行点积，这对于numpy阵列来说很好。但是，当2D数组为稀疏格式时，其

.dot（）

方法的行为方式不同，并引发以下错误：

ValueError:无法解释维度

以下是这种情况的一个例子：

import numpy as np
import scipy as sp

Cshape = (36, 3, 101)
Pshape = (36, 36)

C = np.zeros(Cshape)
for i in range(Cshape[0]):
    for j in range(Cshape[1]):
        for k in range(Cshape[2]):
            C[i,j,k] = (i+1)*100+(j+1)*10+k+1

P = np.zeros(Pshape)
for i in range(Pshape[0]):
    for j in range(Pshape[1]):
        P[i,j] = i*j

test1 = P.T.dot(np.swapaxes(C,0,1))

P = sp.sparse.csr_matrix(P)
test2 = P.T.dot(np.swapaxes(C,0,1))

---

测试1将导致我正在寻找的输出，测试2将抛出一个错误。在不调用

.todense（）

方法的情况下，如何高效地执行此操作？

A

sparse.matrix

根据定义是2d

matrix

P

是稀疏的，

P.T

也是稀疏的。在P.T.dot（…）中使用时，它尝试进行2d矩阵乘法。如果参数也是稀疏的，则结果将是稀疏的。如果参数是稠密的，（numpy数组），则结果也是稠密的。但是没有处理3d数组的规定。你能把计算写成3个点积吗？重塑

C

到（36303），进行2d计算，并根据需要重塑。谢谢，我会尝试将

C

重塑为2d数组，重塑点积的输出。