如何对Scipy稀疏COO矩阵特定列元素求和以重塑矩阵

针对你的需求，有两种更简洁高效的实现方式，无需手动循环：

方法1：转为密集数组后用reshape+sum（适合小规模矩阵） #

如果你的稀疏矩阵规模不大，转为密集数组后可以用numpy的reshape和sum一步完成列分组求和：

import numpy as np

# 先转为密集数组
dense_arr = v.toarray()
# 将数组重塑为(3, 2, 2)，然后沿最后一个维度求和
result = dense_arr.reshape(3, 2, 2).sum(axis=2)

执行后result就是你要的(3,2)矩阵：

array([[3, 4],
       [3, 1],
       [10, 14]])

方法2：直接操作稀疏COO矩阵（适合大规模稀疏矩阵） #

如果矩阵规模很大，转为密集数组会占用过多内存，可以直接基于COO矩阵的row、col、data属性处理，避免转换为密集数组：

from scipy.sparse import coo_matrix

# 定义列映射规则：原列0→0，2→0；原列1→1，3→1
col_map = {0: 0, 1: 1, 2: 0, 3: 1}
new_col = np.array([col_map[c] for c in v.col])

# 构建新的COO矩阵并合并重复索引的元素
result_sparse = coo_matrix((v.data, (v.row, new_col)), shape=(3, 2))
# 合并重复位置的求和（COO矩阵允许重复索引，需要手动合并）
result_sparse.sum_duplicates()

# 如果需要转为密集数组查看结果，执行：
# result_sparse.toarray()

这种方法全程保持稀疏矩阵格式，内存效率更高。

内容的提问来源于stack exchange，提问作者mp252