如果你有一个稀疏矩阵X：
>> X = csr_matrix([[0,2,2],[0,1]]) >> print type(X) >> print X.todense() <class 'scipy.sparse.csr.csr_matrix'> [[0 2 0 2] [0 2 0 1]]
矩阵Y：
>> print type(Y) >> print text_scores <class 'numpy.matrixlib.defmatrix.matrix'> [[8] [5]]
…如何将X的每个元素乘以Y的行.例如：
[[0*8 2*8 0*8 2*8] [0*5 2*5 0*5 1*5]]
要么：
[[0 16 0 16] [0 10 0 5]]
我已经厌倦了这个,但显然它不起作用,因为尺寸不匹配：
Z = X.data * Y.
解决方法
不幸的是,如果另一个密集的话,CSR矩阵的.multiply方法似乎会使矩阵变得密集.所以这将是一种避免这种情况的方法：
# Assuming that Y is 1D,might need to do Y = Y.A.ravel() or such...
# just to make the point that this works only with CSR:
if not isinstance(X,scipy.sparse.csr_matrix):
raise ValueError('Matrix must be CSR.')
Z = X.copy()
# simply repeat each value in Y by the number of nnz elements in each row:
Z.data *= Y.repeat(np.diff(Z.indptr))
这确实会产生一些临时性,但至少它是完全矢量化的,并且它不会使稀疏矩阵变得密集.
对于COO矩阵,等价物是：
Z.data *= Y[Z.row] # you can use np.take which is faster then indexing.
对于CSC矩阵,等价物将是：
Z.data *= Y[Z.indices]