Scipy稀疏矩阵逐元素乘法：无需堆叠B_base的高效方法

核心思路 #

逐元素乘法要求两个矩阵同位置元素一一对应相乘，对于沿水平方向重复k次B_base得到的宽矩阵B，不需要真的生成完整的B矩阵：

• 将大矩阵A沿列方向切分为k个和B_base维度完全一致的子块
• 每个子块单独和B_base执行逐元素乘法
• 将所有子块的计算结果沿水平方向拼接，得到的最终结果和原写法完全等价

这个方案全程仅存储1份B_base数据，完全避免了重复堆叠B带来的k倍冗余内存开销；且CSC格式（压缩稀疏列）的列切片、水平拼接操作仅操作稀疏矩阵的索引元数据，不会产生大规模数据拷贝，运算效率也高于原方案。

实现代码 #

对应给出的最小示例，优化后的可运行代码如下：

from scipy import sparse
import numpy as np

# 矩阵参数与原示例完全一致
m = 1000
n_base = 1000  # 基矩阵B_base的列数
repeat_k = 10  # B_base水平重复次数
n_total = n_base * repeat_k  # 目标矩阵总列数

# 初始化测试矩阵
A = sparse.random(m=m, n=n_total, density=0.1, format="csc")
B_base = sparse.random(m=m, n=n_base, density=0.1, format="csc")

# 核心计算逻辑，无冗余B矩阵生成
result_blocks = []
for block_idx in range(repeat_k):
    # 按列切取A中对应位置的子块，CSC格式下列切片开销极低
    A_sub = A[:, block_idx * n_base : (block_idx + 1) * n_base]
    # 子块与B_base做逐元素乘法
    res_sub = A_sub.multiply(B_base)
    result_blocks.append(res_sub)

# 拼接所有子块结果得到最终输出
result = sparse.hstack(result_blocks, format="csc")

# 正确性验证（可选，大矩阵下不要转稠密数组校验）
# B_full = sparse.hstack([B_base for _ in range(repeat_k)], format="csc")
# result_ref = A.multiply(B_full)
# print(np.abs(result - result_ref).sum())  # 输出0.0即证明结果完全一致

注意事项 #

• 该方案要求A的列数必须等于B_base列数乘以重复次数k，不能存在列数余数，否则会出现维度不匹配错误
• 若输入矩阵不是CSC格式，建议先调用.tocsc()转为CSC格式再执行上述逻辑，列切分和拼接的效率最高
• 重复次数k越大，该方案的内存优势越明显，极端场景下内存占用可以降到原堆叠方案的1/k级别

当矩阵规模较大时，不要调用.toarray()/.todense()把稀疏矩阵转成稠密矩阵做校验，会直接占满内存，可选上述计算差值和的方式验证结果正确性。

内容的提问来源于stack exchange，提问作者malwin