我有一个scipy稀疏CSR矩阵，大小为2M x 50k，有200M非零值（每行100个）。我需要通过（随机分布的）索引（这是一个pandas Series）对其120k行进行切片，然后将该子矩阵乘以大小为1x50k的稀疏向量（也包含100个非零值）。 / p>
我这样做：
slice = matrix[index.tolist(), :]
result = slice.dot(vector.T).T.toarray()[0] # returns 1x120k array
切片需要0.7s（慢），然后乘法需要0.05s。
相反，我可以先将整个矩阵相乘，然后对结果进行切片：
result = matrix.dot(vector.T).T.toarray()[0]
result_sliced = result[index.tolist()] # returns 1x120k array
在这种情况下，乘法需要0.65s，然后切片需要0.015s。
问题：
为什么按行划分CSR矩阵如此之慢？即使整个矩阵的乘法花费的时间也比它少。
有没有办法更快地达到最终结果？
答案 0 :(得分：1)
我在Sparse matrix slicing using list of int中解释说，这种行索引实际上是用矩阵乘法执行的。实际上，它构造了一个稀疏向量，其中包含所需行的1，并执行相应的dot。
所以我对操作顺序无关紧要并不感到惊讶。
通常，稀疏矩阵不是为有效索引而设计的。例如，它们不会返回视图。 csr矩阵乘法是其最有效的操作之一。甚至行或列的总和也是用矩阵乘法执行的。
答案 1 :(得分：0)
我遇到了同样的问题，我的解决方案是编写一个行提取程序，该行提取程序依赖于numpy数组的索引而不是稀疏矩阵乘法。 See my approach here。
答案 2 :(得分：0)
如果您有足够的RAM内存，则可以转换为tolil（），切片速度应该更快。