我正在尝试计算几个 (5-500) 特征向量，这些特征向量对应于大型对称方形稀疏矩阵（高达 30000x30000）的最小特征值，其中非零值小于 0.1%。
我目前在 shift-invert 模式 (sigma=0.0) 下使用 scipy.sparse.linalg.eigsh，我通过有关该主题的各种帖子发现这是首选解决方案。但是，在大多数情况下，解决问题最多需要 1 小时。另一方面，如果我要求最大的特征值（在我的系统上为亚秒），则该函数非常快，这是文档中预期的。
由于我在工作中更熟悉 Matlab，所以我尝试在 Octave 中解决这个问题，使用 eigs (sigma=0) 在短短几秒钟内（低于 10 秒）给了我相同的结果。由于我想对包括特征向量计算在内的算法进行参数扫描，因此在 python 中也能获得这种时间增益。
我首先更改了参数（尤其是容差），但在时间尺度上并没有太大变化。
我在 Windows 上使用 Anaconda，但试图将 scipy 使用的 LAPACK/BLAS（这是一个巨大的痛苦）从 mkl（默认 Anaconda）切换到 OpenBlas（根据文档由 Octave 使用），但看不到变化表现。
我无法弄清楚，使用的 ARPACK 是否有改变（以及如何改变）？
我将以下代码的测试用例上传到以下 dropbox 文件夹：https ://www.dropbox.com/sh/l6aa6izufzyzqr3/AABqij95hZOvRpnnjRaETQmka?dl =0
在 Python 中
import numpy as np
from scipy.sparse import csr_matrix, csc_matrix, linalg, load_npz
M = load_npz('M.npz')
evals, evecs = linalg.eigsh(M,k=6,sigma=0.0)
在八度：
M=dlmread('M.txt');
M=spconvert(M);
[evecs,evals] = eigs(M,6,0);
任何帮助是appriciated ！
我根据评论和建议尝试了一些其他选项：
Octave：
eigs(M,6,0)并eigs(M,6,'sm') …