在SciPy sparse.lil_matrix中有效设置行？

Question

我有稀疏的向量,维度大约200.000.我还有一个矩阵,其列数相同,行数与向量数相同.我想以增量方式将所有这些设置为矩阵,也就是说,第一个矢量应该设置为第一行,依此类推.

目前,矩阵和向量的类型为scipy.sparse.lil_matrix.使用以下函数将向量设置为矩阵的特定行:

In [7]: us.get_utterance_representation('here is a sentence')
Out[7]:
<1x188796 sparse matrix of type '<type 'numpy.float64'>'
    with 22489 stored elements in Compressed Sparse Row format>

def set_row_vector(self, row, rowvector):
    self.matrix[row] = rowvector[0]

for row, utterance in enumerate(utterances):
    uvector = self.get_utterance_representation(utterance)
    self.utterancematrix.add_row_vector(row, uvector)

其中uvector是1x~200.000的lil_matrix维度.

以这种方式创建矩阵结果非常低效,其中一个单独的文本字符串(话语)最多需要5秒.看一下分析,我得出的结论是,将向量设置为矩阵中的一行是主要问题.

     55     def set_row_vector(self, row, rowvector):
         2564609 function calls (2564606 primitive calls) in 5.046 seconds

   Ordered by: internal time

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
    22489    1.397    0.000    1.397    0.000 {numpy.core.multiarray.where}
    22489    0.783    0.000    2.188    0.000 csr.py:281(_get_single_element)
    44978    0.365    0.000    0.916    0.000 stride_tricks.py:35(broadcast_arrays)
    44978    0.258    0.000    0.413    0.000 stride_tricks.py:22(as_strided)
   202490    0.244    0.000    0.244    0.000 {numpy.core.multiarray.array}
    22489    0.199    0.000    2.221    0.000 lil.py:280(__setitem__)
    44978    0.174    0.000    0.399    0.000 sputils.py:171(_unpack_index)
   584777    0.171    0.000    0.171    0.000 {isinstance}
    44988    0.170    0.000    0.230    0.000 sputils.py:115(isintlike)
    67467    0.166    0.000    0.278    0.000 sputils.py:196(_check_boolean)
    22489    0.154    0.000    0.647    0.000 sputils.py:215(_index_to_arrays)
        1    0.129    0.129    5.035    5.035 dsm_classes.py:55(set_row_vector)
    22489    0.120    0.000    0.171    0.000 lil.py:247(_insertat2)
    67467    0.102    0.000    0.102    0.000 {method 'ravel' of 'numpy.ndarray' objects}

我的问题是,有没有更好的方法来完成从话语中创建矩阵？

(谢谢)

Answer 1

首先,我认为你uvector实际上是CSR格式,而不是LIL.然而,这可能是最好的:

In [30]: import scipy.sparse as ss

In [31]: row = ss.rand(1,5000,0.1,'csr')

In [32]: matrix = ss.lil_matrix((30,5000))

In [33]: %timeit matrix[0] = row
10 loops, best of 3: 65.6 ms per loop

In [34]: row_lil = row.tolil()

In [35]: %timeit matrix[0] = row_lil
10 loops, best of 3: 93.4 ms per loop

接下来,您可以通过删除避免一些成本[0]上的下标rowvector:

In [38]: %timeit matrix[0] = row[0]
10 loops, best of 3: 104 ms per loop

In [39]: %timeit matrix[0] = row
10 loops, best of 3: 68.7 ms per loop

最后,解决方案的真正含义是尽可能避免使用LIL格式.虽然它是最灵活的格式,但它也是最慢的(通常).例如,如果您只是尝试一次构建一行矩阵,则可以使用scipy.sparse.vstack:

In [40]: %%timeit
   ....: for i in xrange(matrix.shape[0]):
   ....:   matrix[i] = row
   ....:
1 loops, best of 3: 3.14 s per loop

In [41]: %timeit ss.vstack([row for i in xrange(matrix.shape[0])])
1000 loops, best of 3: 1.46 ms per loop

In [44]: m2 = ss.vstack([row for i in xrange(matrix.shape[0])])

In [45]: numpy.allclose(matrix.todense(), m2.todense())
Out[45]: True

编辑:如果内存是一个问题,你仍然想要最大的速度,你可以vstack根据快速vstack的CSR矩阵自己做.我将首先复制该_compressed_sparse_stack函数并使用您的CSR行列表调用它axis = 0.然后,您应该能够修改它以获取迭代器而不是列表,这将避免高内存开销.或者,您可以将步骤内联到for循环中.无论哪种方式,你都会失去一点速度,但可能会节省大量内存.