Scipy 稀疏矩阵循环永远持续 - 需要提高效率

Question

用稀疏矩阵编写这个循环的最有效的时间和内存方式是什么（目前使用 csc_matrix）for j in range(0, reducedsize):     xs = sum(X[:, j])     X[:, j] = X[:, j] / xs.data[0]例子：缩小尺寸 (int) - 2500X (csc_matrix) - 908x2500循环确实会迭代，但与仅使用 numpy 相比需要很长时间。

Answer 1

In [388]: from scipy import sparse                                                      

制作样本矩阵：

In [390]: M = sparse.random(10,8,.2, 'csc')                                             

我是一个矩阵：

In [393]: M.sum(axis=0)                                                                 

Out[393]: 

matrix([[1.95018736, 0.90924629, 1.93427113, 2.38816133, 1.08713479,

         0.        , 2.45435481, 0.        ]])

那些 0 在划分时会产生警告 -nan在结果中：

In [394]: M/_                                                                           

/usr/local/lib/python3.6/dist-packages/scipy/sparse/base.py:599: RuntimeWarning: invalid value encountered in true_divide

  return np.true_divide(self.todense(), other)

Out[394]: 

matrix([[0.        , 0.        , 0.        , 0.        , 0.27079623,

                nan, 0.13752665,        nan],

        [0.        , 0.        , 0.        , 0.        , 0.        ,

                nan, 0.32825122,        nan],

        [0.        , 0.        , 0.        , 0.        , 0.        ,

                nan, 0.        ,        nan],

 ...

                nan, 0.        ,        nan]])

0 也会给您的方法带来问题：

In [395]: for i in range(8): 

     ...:     xs = sum(M[:,i]) 

     ...:     M[:,i] = M[:,i]/xs.data[0] 

     ...:                                                                               

---------------------------------------------------------------------------

IndexError                                Traceback (most recent call last)

<ipython-input-395-0195298ead19> in <module>

      1 for i in range(8):

      2     xs = sum(M[:,i])

----> 3     M[:,i] = M[:,i]/xs.data[0]

      4 

IndexError: index 0 is out of bounds for axis 0 with size 0

但是，如果我们比较没有 0 和的列，则值匹配：

In [401]: Out[394][:,:5]                                                                

Out[401]: 

matrix([[0.        , 0.        , 0.        , 0.        , 0.27079623],

        [0.        , 0.        , 0.        , 0.        , 0.        ],

        [0.        , 0.        , 0.        , 0.        , 0.        ],

        [0.        , 0.        , 0.        , 0.        , 0.        ],

        [0.49648886, 0.25626608, 0.        , 0.19162678, 0.72920377],

        [0.        , 0.        , 0.30200765, 0.        , 0.        ],

        [0.50351114, 0.        , 0.30445113, 0.41129367, 0.        ],

        [0.        , 0.74373392, 0.        , 0.        , 0.        ],

        [0.        , 0.        , 0.39354122, 0.        , 0.        ],

        [0.        , 0.        , 0.        , 0.39707955, 0.        ]])

In [402]: M.A[:,:5]                                                                     

Out[402]: 

array([[0.        , 0.        , 0.        , 0.        , 0.27079623],

       [0.        , 0.        , 0.        , 0.        , 0.        ],

       [0.        , 0.        , 0.        , 0.        , 0.        ],

       [0.        , 0.        , 0.        , 0.        , 0.        ],

       [0.49648886, 0.25626608, 0.        , 0.19162678, 0.72920377],

       [0.        , 0.        , 0.30200765, 0.        , 0.        ],

       [0.50351114, 0.        , 0.30445113, 0.41129367, 0.        ],

       [0.        , 0.74373392, 0.        , 0.        , 0.        ],

       [0.        , 0.        , 0.39354122, 0.        , 0.        ],

       [0.        , 0.        , 0.        , 0.39707955, 0.        ]])

回到 [394] 我应该首先将矩阵和转换为稀疏，所以结果也将是稀疏的。稀疏没有逐元素除法，所以我必须先求密集矩阵的逆。0 仍然很麻烦。

In [409]: M.multiply(sparse.csr_matrix(1/Out[393]))                                     

...

Out[409]: 

<10x8 sparse matrix of type '<class 'numpy.float64'>'

    with 16 stored elements in Compressed Sparse Column format>

Answer 2

如果您想在没有任何内存开销的情况下执行此操作（就地）

始终考虑数据的实际存储方式。csc 矩阵的一个小例子。

shape=(5,5)

X=sparse.random(shape[0], shape[1], density=0.5, format='csc')

print(X.todense())

[[0.12146814 0.         0.         0.04075121 0.28749552]

 [0.         0.92208639 0.         0.44279661 0.        ]

 [0.63509196 0.42334964 0.         0.         0.99160443]

 [0.         0.         0.25941113 0.44669367 0.00389409]

 [0.         0.         0.         0.         0.83226886]]

i=0 #first column

print(X.data[X.indptr[i]:X.indptr[i+1]])

[0.12146814 0.63509196]

一个 Numpy 解决方案

所以我们在这里唯一要做的就是逐列修改非零条目。这可以使用部分矢量化的 numpy 解决方案轻松完成。data只是包含所有非零值的数组，indptr存储每列开始和结束的信息。

def Numpy_csc_norm(data,indptr):

    for i in range(indptr.shape[0]-1):

        xs = np.sum(data[indptr[i]:indptr[i+1]])

        #Modify the view in place

        data[indptr[i]:indptr[i+1]]/=xs

关于性能，这个就地解决方案已经不错了。如果你想进一步提高性能，你可以使用 Cython/Numba/ 或其他一些可以或多或少容易地用 Python 包装的编译代码。

一个 Numba 解决方案

@nb.njit(fastmath=True,error_model="numpy",parallel=True)

def Numba_csc_norm(data,indptr):

    for i in nb.prange(indptr.shape[0]-1):

        acc=0

        for j in range(indptr[i],indptr[i+1]):

            acc+=data[j]

        for j in range(indptr[i],indptr[i+1]):

            data[j]/=acc

表现

#Create a not to small example matrix

shape=(50_000,10_000)

X=sparse.random(shape[0], shape[1], density=0.001, format='csc')

#Not in-place from hpaulj

def hpaulj(X):

    acc=X.sum(axis=0)

    return X.multiply(sparse.csr_matrix(1./acc))

%timeit X2=hpaulj(X)

#6.54 ms ± 67.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

#All 2 variants are in-place, 

#but this shouldn't have a influence on the timings

%timeit Numpy_csc_norm(X.data,X.indptr)

#79.2 ms ± 914 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

#parallel=False -> faster on tiny matrices

%timeit Numba_csc_norm(X.data,X.indptr)

#626 µs ± 30.6 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)

#parallel=True -> faster on larger matrices

%timeit Numba_csc_norm(X.data,X.indptr)

#185 µs ± 5.39 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)