创建大型numpy对角数组时遇MemoryError，求内存优化方案

首先明确：你当前的代码存在逻辑问题——numpy.diagonal()是用于提取已有二维数组的对角元素，而非创建对角矩阵。如果你的目标是将大规模一维数组转为对角矩阵，直接用numpy.diag()生成完整二维数组会带来O(n²)的内存开销，这正是触发MemoryError的原因。

以下是两种核心内存优化方案：

1. 使用稀疏矩阵存储（scipy.sparse） #

对角矩阵属于极端稀疏的矩阵，仅需存储对角元素即可，内存开销降至O(n)（与原一维数组一致）。scipy.sparse模块提供了专门的对角矩阵实现，且支持绝大多数矩阵运算：

import numpy as np
from scipy.sparse import diags

# 生成大规模一维数组
a = np.float32(np.random.rand(1000000))
# 创建稀疏对角矩阵，可选择csr/csc等格式（根据后续运算需求）
diag_matrix = diags(a, format='csr')

后续可直接用该稀疏矩阵进行乘法、线性求解等操作，无需转为稠密数组，全程内存友好。

2. 用广播运算替代显式矩阵创建 #

如果你的需求不是要得到完整的对角矩阵，而是进行类似“对角矩阵与向量相乘”这类运算，完全可以利用Numpy的广播特性跳过矩阵创建：

# 示例：对角矩阵与向量x的乘积，等价于元素-wise乘法
x = np.float32(np.random.rand(1000000))
result = a * x  # 效果等同于 np.diag(a) @ x，但无额外内存开销

这种方式零额外内存占用，运算效率也远高于创建稠密矩阵后再运算。

内容的提问来源于stack exchange，提问作者Hossein