Python多维稀疏数组

我正在做一个项目，我需要处理三维大阵列。我使用的是numpy 3d数组，但我的大多数条目都将为零，因此这会浪费大量内存。Scipy稀疏似乎只允许二维矩阵。有没有其他方法可以存储3D稀疏阵列

你是对的；看起来没有现成的工具来处理n维稀疏数组。如果您只需要访问数组中的元素，那么可以使用元组上的字典进行选择。见：

---

如果您需要在稀疏3d矩阵上执行操作，则会变得更加困难-您可能需要自己进行一些编码。

scipy.sparse

有多种格式，但只有少数格式有一组有效的数值操作。不幸的是，这些都是很难扩展的

dok

使用索引元组作为字典键。所以这很容易从2d推广到3d或者更多

coo

具有

行

，

列

，

数据

属性数组。从概念上讲，添加第三个

深度
（？）很容易
lil
可能需要列表中的列表，这可能会变得混乱

但是
csr
和
csc
将数组存储在
索引
、
indptr
和
数据
数组中。这种格式是数年前由研究线性代数问题的数学家以及高效数学运算（特别是矩阵乘法）制定的。（源代码中引用了相关论文）

因此，表示三维稀疏阵列不是问题，但实现有效的向量运算可能需要一些基础数学研究

你真的需要3d布局来做矢量运算吗？例如，您是否可以将其中的两个维度重新塑造为一个维度，至少暂时是这样

逐元素操作（*、+、-）与展平数组的数据的处理效果与2或3d版本相同
np.tensordot
通过将输入重塑为2D数组并应用
np.dot
来处理nD矩阵乘法。即使在3d阵列上使用
np.einsum
时，乘积总和通常仅在一对维度上（例如“ijk，jl->ikl”）

3D表示在概念上很方便，但我想不出需要它的数学运算（而不是2或1d）

总的来说，我认为与尝试查找/实施真正的3d稀疏操作相比，重塑阵列将加快速度。
我不想使用字典，因为我需要对阵列执行矢量化操作。我不知道他们是否能快速使用字典？在你的问题中添加一些你想要的向量运算的例子。这可能表明哪种稀疏格式是最好的，以及它是否可以被调整。