我试图找出解决五对角矩阵的最佳方法。有没有比高斯消去法更快的东西？
提升ublas::compressed_matrix应该只为非零元素分配空间。但在下面的例子中，我得到了奇怪的结果。
#include <boost/numeric/ublas/matrix_sparse.hpp>
#include <boost/numeric/ublas/io.hpp>
using namespace std;
using namespace boost::numeric::ublas;
int main () {
{
compressed_matrix<double,row_major> m (4, 4, 2*2);
cout << sizeof(m) << "\n"; // prints 56
cout << m << std::endl;
}
{
matrix<double> m (4, 4);
cout << sizeof(m) << "\n"; // prints 20
cout << m << std::endl;
}
return 0;
}
为什么ublas::matix只取20字节4x4 matrix（而不是8*4*4=128字节），ublas::compressed_matrix而非2*2=4零元素则取56字节（而不是4*8=32字节）？
我还很困惑如何指定 中非零元素的位置ublas::compressed_matrix …
我在 Eigen 中有两个稀疏矩阵，我想将它们垂直连接成一个。例如，代码的目标是：
SparseMatrix<double> matrix1;
matrix1.resize(10, 10);
SparseMatrix<double> matrix2;
matrix2.resize(5, 10);
SparseMatrix<double> MATRIX_JOIN;
MATRIX_JOIN.resize(15, 10);
MATRIX_JOIN << matrix1, matrix2;
我在论坛上找到了一些解决方案，但是我无法实施。
垂直连接矩阵的正确方法是什么？
编辑
我的实现：
SparseMatrix<double> L;
SparseMatrix<double> C;
// ... (Operations with the matrices)
SparseMatrix<double> EMATRIX;
EMATRIX.resize(L.rows() + C.rows(), L.cols());
EMATRIX.middleRows(0, L.rows()) = L;
EMATRIX.middleRows(L.rows(), C.rows()) = C;
我收到类型错误，根据编译器的说法，右侧是 Eigen::Block 而左侧是 Eigen::SparseMatrix
我有一个非常稀疏的矩阵，密度约为0.01，维度为20000 x 500000。我正在尝试在犰狳中加载它
sp_mat V;
V.load(filename, coord_ascii);
文件格式为
row column value
但这花费的时间太长了。Python可以解析该文件，并填写一本字典用它的方式快于犰狳可以创建这个矩阵。我应该如何正确地做到这一点？
矩阵将填充整数。
任何意见，将不胜感激！
这是犰狳独有的问题。当逐行读取时，C++ 可以毫无问题地迭代文件，但是将值分配给 anarma::sp_mat的速度非常慢。
我想sparse_dot_topn从github安装在python中。但我不知道该怎么做。我做到了：pip3 install sparse_dot_topn但它失败了。我sparse_dot_topn在 github 中看到并尝试在 jupyter notebook 中运行代码，但我无法成功。也许我做错了什么。你能帮我sparse_dot_topn从github安装的步骤吗？提前谢谢了！
对于基本的 R 矩阵类，我们有一个rowsum函数，它可以非常快速地计算跨行组的列总和。
Matrix 包中是否有等效的功能或方法？
我rowsum对大型 dgCMatrix 对象（即数百万行，但大约 95% 稀疏）的快速替代方案特别感兴趣。
R 中是否有函数可以轻松构造重复的单位矩阵（不确定这是否正确）？
这是我目前正在使用的，但它有点麻烦且不直观：
Ngroups <- 3
NperGroup <- 2
Z <- diag(Ngroups)[rep(1:Ngroups, each = NperGroup), ]
> Z
[,1] [,2] [,3]
[1,] 1 0 0
[2,] 1 0 0
[3,] 0 1 0
[4,] 0 1 0
[5,] 0 0 1
[6,] 0 0 1
可能是一个非常愚蠢的问题，但我似乎找不到在 R 中创建稀疏对角矩阵的正确方法。我找到了函数：
diag.spam()spdiags()并将它们与下载的库Matrix和包一起使用spam，但 R 似乎无法识别这些函数。有人知道我需要下载的函数或库吗？
我需要它，因为我想创建大于 256 x 256 的对角矩阵。
我正在寻找获取每行和每列二维数组非零索引列表的最快方法。以下是一段工作代码：
preds = [matrix[:,v].nonzero()[0] for v in range(matrix.shape[1])]
descs = [matrix[v].nonzero()[0] for v in range(matrix.shape[0])]
示例输入：
matrix = np.array([[0,0,0,0],[1,0,0,0],[1,1,0,0],[1,1,1,0]])
示例输出
preds = [array([1, 2, 3]), array([2, 3]), array([3]), array([], dtype=int64)]
descs = [array([], dtype=int64), array([0]), array([0, 1]), array([0, 1, 2])]
（这些列表被称为 preds 和 descs，因为当矩阵被解释为邻接矩阵时，它们指的是 DAG 中的前辈和后裔，但这对问题来说并不重要。）
时序示例： 出于时序目的，以下矩阵是一个很好的代表：
test_matrix = np.zeros(shape=(4096,4096),dtype=np.float32)
for k in range(16):
test_matrix[256*(k+1):256*(k+2),256*k:256*(k+1)]=1
背景：在我的代码中，对于 4000x4000 矩阵，这两行占用了 75% 的时间，而随后的拓扑排序和 DP 算法只占用了四分之一的时间。矩阵中大约 5% 的值是非零值，因此可能适用稀疏矩阵解决方案。
谢谢你。
（关于这里发布的建议：https : //scicomp.stackexchange.com/questions/35242/fast-nonzero-indices-per-row-column-for-sparse-2d-numpy-array 那里也有答案我将在评论中提供时间。此链接包含一个已接受的答案，速度是其两倍。）
我在这个网站上的研究中看到了类似的问题，但不是这个确切的问题（大多数答案都涉及从列表中创建一个稀疏矩阵）。
我有一个相邻多边形列表，但希望将其转换为完整矩阵。我可以用嵌套的 for 循环笨拙地做到这一点，但我试图通过减少依赖这些来改进我的编码。所以本质上，我想从中得到：
my_list <- list("1" = c(2, 3),
"2" = 1,
"3" = 1)
看起来像这样的东西：
# [,1] [,2] [,3]
#[1,] 0 1 1
#[2,] 1 0 0
#[3,] 1 0 0
不诉诸于此：
for(i in 1:3{
for(j in 1:3{
[look to list to see if there is a value corresponding to (i, j),
if so insert 1, if not, zero]
}
}
非常感谢您的宝贵时间。