Предположим, что у меня есть 2d разреженный массив. В моем реальном использовании количество строк и столбцов намного больше (скажем, 20000 и 50000), поэтому оно не может вместиться в память при использовании плотного представления:
>>> import numpy as np
>>> import scipy.sparse as ssp
>>> a = ssp.lil_matrix((5, 3))
>>> a[1, 2] = -1
>>> a[4, 1] = 2
>>> a.todense()
matrix([[ 0., 0., 0.],
[ 0., 0., -1.],
[ 0., 0., 0.],
[ 0., 0., 0.],
[ 0., 2., 0.]])
Теперь предположим, что у меня есть плотный 1d-массив со всеми компонентами non-zeros размером 3 (или 50000 в моем реальном случае жизни):
>>> d = np.ones(3) * 3
>>> d
array([ 3., 3., 3.])
Я хотел бы вычислить элементарное умножение a и d, используя обычную семантику трансляции numpy. Однако разреженные матрицы в scipy имеют np.matrix: оператор '*' перегружен, чтобы он вел себя как матричное умножение вместо элементарного умножения:
>>> a * d
array([ 0., -3., 0., 0., 6.])
Одним из решений было бы сделать "a" переключением на семантику массива для оператора "*", что даст ожидаемый результат:
>>> a.toarray() * d
array([[ 0., 0., 0.],
[ 0., 0., -3.],
[ 0., 0., 0.],
[ 0., 0., 0.],
[ 0., 6., 0.]])
Но я не могу этого сделать, поскольку вызов toarray() будет реализовывать плотную версию "a", которая не вписывается в память (и результат тоже будет плотным):
>>> ssp.issparse(a.toarray())
False
Любая идея, как построить это, сохраняя только разреженные структуры данных и не выполняя неэффективный цикл питона на столбцах 'a'?