如何获取SciPy稀疏矩阵中阈值以下值的索引？解决索引匹配问题

问题核心在于DOK转CSC时的重复索引合并规则，以及验证方式的误区。以下是正确的解决方法：

正确获取索引的步骤 #

CSC格式稀疏数组的data与nonzero()返回的行/列索引是严格一一对应的，直接用掩码过滤即可：

import numpy as np
from scipy.sparse import dok_array, csc_array

# 生成无重复索引的DOK数组，避免重复赋值导致值被求和
pairs = list(set(zip(np.random.randint(0, 1000, 100), np.random.randint(0, 1000, 100))))
m = dok_array((1000, 1000))
for i, j in pairs:
    m[i, j] = np.random.random()

threshold = 0.3
tmp = csc_array(m)

# 生成掩码并过滤得到符合条件的索引
mask = tmp.data < threshold
rows, cols = tmp.nonzero()
filtered_rows = rows[mask]
filtered_cols = cols[mask]

# 可靠的验证方式：直接检查被掩码选中的data值
assert np.all(tmp.data[mask] < threshold), "验证通过"

原代码断言失败的原因 #

1. 重复索引求和：如果生成的(i,j)对存在重复，DOK转CSC时会自动将同一位置的所有值求和，导致tmp.data中的值是求和结果而非最后一次赋值的值。比如同一位置两次赋值0.2，求和后变为0.4，会被掩码排除，与预期不符。
2. 验证逻辑问题：tmp[i_mask, j_mask]返回的稠密数组可能受重复索引或浮点数精度影响，直接检查tmp.data[mask]才是最准确的验证方式。

从CSC内部属性直接生成索引 #

若不想使用nonzero()，可通过CSC的indptr属性生成列索引：

# 从indptr生成列索引数组
cols = np.repeat(np.arange(tmp.shape[1]), np.diff(tmp.indptr))
filtered_rows = tmp.indices[mask]
filtered_cols = cols[mask]

内容的提问来源于stack exchange，提问作者Steven C. Howell