如何高效给scipy稀疏矩阵赋值？解决csr_matrix赋值警告问题

问题场景 #

创建100000×100000的csr_matrix后，执行A[2,3]=1这类单个元素赋值操作时，会触发SparseEfficiencyWarning，提示修改CSR矩阵的稀疏结构成本很高，推荐使用lil_matrix。

可行解决方案 #

1. 少量赋值时直接忽略警告

如果只是偶尔做几次单个元素赋值，直接忽略警告即可，也可以通过代码主动关闭警告：

from scipy.sparse import csr_matrix
import warnings
import scipy

# 关闭稀疏效率警告
warnings.filterwarnings("ignore", category=scipy.sparse.SparseEfficiencyWarning)

A = csr_matrix((100000, 100000), dtype=float)
A[2,3] = 1

2. 转换为LIL矩阵进行赋值（适合频繁修改）

LIL（List of Lists）矩阵专门针对频繁修改稀疏结构的场景优化，赋值操作效率远高于CSR：

from scipy.sparse import csr_matrix, lil_matrix

# 先创建LIL矩阵
A_lil = lil_matrix((100000, 100000), dtype=float)
# 执行赋值操作，无性能问题
A_lil[2,3] = 1
A_lil[5,10] = 3.5
# 完成所有赋值后，再转换回CSR矩阵用于后续计算
A_csr = A_lil.tocsr()

3. 批量赋值（最高效方式）

如果需要赋值多个元素，直接通过坐标和值批量初始化或更新是最优选择，避免逐个修改：

from scipy.sparse import csr_matrix
import numpy as np

# 准备要赋值的坐标和对应值
rows = [2, 5, 10]
cols = [3, 10, 15]
values = [1, 3.5, 2]

# 方式1：直接用坐标初始化CSR矩阵
A = csr_matrix((values, (rows, cols)), shape=(100000, 100000), dtype=float)

# 方式2：给已有的CSR矩阵批量更新（需先转为COO矩阵）
A = csr_matrix((100000, 100000), dtype=float)
coo_A = A.tocoo()
# 添加新的坐标和值
coo_A.row = np.append(coo_A.row, rows)
coo_A.col = np.append(coo_A.col, cols)
coo_A.data = np.append(coo_A.data, values)
# 转换回CSR矩阵
A = coo_A.tocsr()

内容的提问来源于stack exchange，提问作者zell