如何对列表中存储的csr_matrix稀疏矩阵进行高效求和

csr_matrix稀疏矩阵列表求和实现方案 #

报错原因 #

np.sum() 是numpy提供的求和接口，无法识别scipy稀疏矩阵的存储结构，会将列表中的每个稀疏矩阵作为独立对象处理，而非按矩阵元素逐位求和，因此会抛出异常。

正确实现方法 #

前提：所有参与求和的csr_matrix必须维度完全一致。

方法1：reduce累加（代码简洁，性能最优）

利用functools.reduce 结合加法算子完成批量累加，底层优化程度高，适合矩阵数量较多的场景：

from functools import reduce
import operator
from scipy.sparse import csr_matrix

# list_of_sparse 替换为你的csr_matrix格式稀疏矩阵列表
result = reduce(operator.add, list_of_sparse)

方法2：手动循环累加

适合需要在累加过程中插入额外处理逻辑的场景：

from scipy.sparse import csr_matrix

list_of_sparse = [] # 替换为你的稀疏矩阵列表
if not list_of_sparse:
    # 空列表自定义返回逻辑，示例为返回10行10列的全0稀疏矩阵，可按需修改维度
    result = csr_matrix((10, 10))
else:
    # 初始化和矩阵为对应维度的全0稀疏矩阵
    result = csr_matrix(list_of_sparse[0].shape, dtype=list_of_sparse[0].dtype)
    for mat in list_of_sparse:
        result += mat

注意事项 #

• 求和前需校验所有矩阵的shape属性完全一致，否则会触发维度不匹配报错
• 若矩阵中存在大量0元素，csr_matrix的累加会自动跳过0值计算，性能远高于转成稠密矩阵后求和

内容的提问来源于stack exchange，提问作者TinaTz