Scipy稀疏矩阵求Numpy数组幂报错‘稀疏矩阵非方阵’如何解决？

你遇到的错误是因为np.power会将稀疏矩阵视为矩阵对象，尝试执行矩阵幂运算（即矩阵自乘的幂，要求矩阵为方阵），但你需要的是逐元素的幂运算——每个元素取对应位置数组值的幂。针对稀疏矩阵的特性（大量零元素），可以用以下高效方法实现：

方法一：仅处理非零元素（推荐，适合大矩阵） #

利用稀疏矩阵只存储非零元素的特性，直接对非零元素计算幂，再重建稀疏矩阵，避免密集矩阵的内存开销：

import numpy as np
import scipy.sparse as sp

x1 = np.array([[5, 6, 7, 8, 9, 1]])
x2 = sp.sparse.csr_matrix(np.array([[1, 2, 3, 3, 2, 0], [1, 2, 0, 3, 2, 1]]))

# 获取稀疏矩阵的非零元素行、列索引和值
rows, cols = x2.nonzero()
vals = x2.data

# 提取对应位置的幂次（x1的列与x2的列一一对应）
exponents = x1[0, cols]

# 计算非零元素的幂结果
new_vals = np.power(vals, exponents)

# 用计算后的结果重建稀疏矩阵
result = sp.csr_matrix((new_vals, (rows, cols)), shape=x2.shape)

# 查看结果（转密集矩阵仅用于验证）
print(result.todense())

运行结果：

[[   1   64 2187 6561  512    0]
 [   1   64    0 6561  512    1]]

方法二：转密集矩阵计算（仅适合小矩阵） #

如果矩阵规模很小，也可以先转成密集矩阵计算，再转回稀疏矩阵，但这种方法在大矩阵场景下会占用大量内存，不推荐：

# 转密集矩阵计算幂
dense_result = np.power(x2.todense(), x1)
# 转回稀疏矩阵
result = sp.csr_matrix(dense_result)

错误原因说明 #

np.power(x2, x1)触发错误的核心原因：numpy对稀疏矩阵的power实现逻辑是执行矩阵幂运算（如A^n表示矩阵A自乘n次），而矩阵幂要求矩阵必须是方阵，你的x2是2行6列的非方阵，因此抛出"sparse matrix is not square"的错误。

内容的提问来源于stack exchange，提问作者user150272