如何高效计算Scipy稀疏矩阵各列与向量相乘后的和？

你的代码运行缓慢的核心原因是循环遍历稀疏矩阵的列——对于CSR格式（最常用的稀疏矩阵格式），列切片是极低效的操作：每次提取X[:,i]都要遍历整个矩阵定位对应列的元素，再转成数组计算，完全浪费了稀疏矩阵的结构优势。

直接利用稀疏矩阵的转置点积操作就能高效解决问题，这和你要实现的np.sum(X * y, axis=0)完全等价，且适配稀疏矩阵的底层优化：

import scipy.sparse as sp

# 假设X是Scipy稀疏矩阵（如CSR/CSC格式），y是与X行数匹配的一维numpy数组
z = X.T.dot(y)

原理说明 #

你需要计算的是每个列j的加权和：sum(X[i,j] * y[i] for all i)，这本质上就是稀疏矩阵X的转置与向量y的点积。Scipy的稀疏矩阵操作都是底层优化过的，只会处理非零元素，时间复杂度仅与矩阵的非零元素数量（X.nnz）成正比，远快于循环实现。

额外注意事项 #

• 如果y是二维数组（比如形状为(n,1)），先转成一维：y = y.reshape(-1)，避免点积时的维度错误。
• 若你的X是CSC格式，X.T会转成CSR格式，点积操作依然高效；如果是CSR格式，X.T转成CSC后，列向量的点积也是优化过的，无需手动转换格式。

验证等价性 #

可以用小矩阵验证结果和稠密操作一致：

import numpy as np
import scipy.sparse as sp

# 生成测试数据
X_dense = np.random.rand(5, 3)
X_sparse = sp.csr_matrix(X_dense)
y = np.random.rand(5)

# 稠密计算
z_dense = np.sum(X_dense * y[:, np.newaxis], axis=0)
# 稀疏计算
z_sparse = X_sparse.T.dot(y)

# 检查结果是否一致（数值误差内）
print(np.allclose(z_dense, z_sparse))  # 输出True

内容的提问来源于stack exchange，提问作者Eric Johnson