如何高效计算稀疏矩阵的条件数？Python场景优化方案咨询

直接将稀疏矩阵转为密集矩阵计算条件数的方式完全不适合10000×10000规模的矩阵——不仅内存占用爆炸（双精度格式需800MB），全量SVD的O(n³)计算复杂度更是导致速度极慢。以下是基于Scipy稀疏矩阵工具的高效解法：

核心思路：仅计算所需的奇异值 #

条件数（2-范数）的定义是矩阵的最大奇异值除以最小非零奇异值。无需计算所有奇异值，用迭代法只求解最大和最小的1个奇异值即可，这能大幅降低计算量。

方法1：用scipy.sparse.linalg.svds直接计算奇异值 #

svds是专门针对稀疏矩阵的迭代奇异值分解工具，支持仅求解指定数量的最大/最小奇异值：

import numpy as np
from scipy.sparse import csr_matrix
from scipy.sparse.linalg import svds

# 假设你的稀疏矩阵是A，确保是csr/csc格式（若不是，先转换：A = A.tocsr()）
# 计算最大奇异值
_, s_max, _ = svds(A, k=1, which='LM')  # 'LM'表示取模最大的k个
sigma_max = s_max[0]

# 计算最小奇异值
_, s_min, _ = svds(A, k=1, which='SM')  # 'SM'表示取模最小的k个
sigma_min = s_min[0]

# 计算条件数
condition_number = sigma_max / sigma_min

方法2：通过A^T A的特征值间接计算 #

对于实矩阵，奇异值的平方等于A^T A的特征值，因此可以通过求解A^T A的最大/最小特征值来推导奇异值：

from scipy.sparse.linalg import eigs

# 计算A^T A的最大特征值（对应最大奇异值的平方）
_, eig_max = eigs(A.T @ A, k=1, which='LM')
sigma_max = np.sqrt(np.real(eig_max[0]))

# 计算A^T A的最小特征值（对应最小奇异值的平方）
_, eig_min = eigs(A.T @ A, k=1, which='SM')
sigma_min = np.sqrt(np.real(eig_min[0]))

condition_number = sigma_max / sigma_min

注意事项 #

• 优先使用csr/csc格式的稀疏矩阵：Scipy的稀疏线性代数工具对这两种格式支持最好，若矩阵是其他格式（如coo），先通过A.tocsr()转换。
• 调整迭代参数：如果计算最小奇异值时收敛慢，可通过maxiter参数增加迭代次数，例如svds(A, k=1, which='SM', maxiter=1000)。
• 矩形矩阵适配：上述方法同样适用于非方阵的矩形稀疏矩阵，符合条件数的定义。

内容的提问来源于stack exchange，提问作者sandeep026