将大型scipy稀疏矩阵的多行和多列设置为0s

Question

我试图将一些Matlab代码“翻译”成Python，Matlab中有一行代码将稀疏矩阵中的多行设置为0：

Ks(idx,:)=0; %no affinity for W inside fs

其中Ks是稀疏矩阵（对称且大小相当大），而{}是一个1D数组，表示要进行更改的行索引，它的大小也相当大。在下一行中，它还将这些列更改为0，因此Ks仍然是对称的：

^{pr2}$

在Python中做类似的事情（Ks[idx,:]=0）似乎只对小矩阵有效，当它变大时我得到MemoryError。目前，我的Ks是一个csr矩阵，将其转换为lil，而且这样做非常慢。在

我不太熟悉稀疏矩阵，我知道在Python中有不止一种类型（例如csr、csc、lil等），但是在Matlab代码中没有这样的区别，我只找到了一个函数调用sparse()。那么在这种情况下，我的最佳选择是什么？在

提前谢谢。在

Answer 1

一种加速的方法是，不要将稀疏矩阵元素设置为零，而是先将numpy nd array的元素设置为零，然后转换为稀疏矩阵。在下面的例子中，我的速度提高了10倍以上。在

import numpy as np
import scipy.sparse as sps
np.random.seed(20)
mat = np.random.randint(-2000,2000,size=(1000,1000))
sym_mat = (mat + mat.T)/2

zero_rows =  np.random.randint(0,999,(900,))


%%timeit
sparse = sps.csr_matrix(sym_mat)
sparse[zero_rows,:] = 0
sparse[:,zero_rows] = 0

/usr/local/lib/python3.6/dist-packages/scipy/sparse/compressed.py:774: SparseEfficiencyWarning: Changing the sparsity structure of a csr_matrix is expensive. lil_matrix is more efficient.
  SparseEfficiencyWarning)
1 loop, best of 3: 206 ms per loop

%%timeit
sym_mat[zero_rows,:] = 0
sym_mat[:,zero_rows] = 0
sparse1 = sps.csr_matrix(sym_mat)

100 loops, best of 3: 18.9 ms per loop