np.sum对稀疏矩阵行求和出现非预期非零结果如何解决？

解决方案 #

你遇到的是双精度浮点数计算的常见精度误差，误差量级在1e-16级别，远小于你矩阵元素的有效数值，可通过以下几种方式解决：

• 方案1：直接对稀疏矩阵行求和，避免转稠密数组时的额外精度损耗
  scipy稀疏矩阵自带的求和方法底层逻辑适配稀疏存储结构，精度表现更稳定：

  row_sums = sp_m.sum(axis=1).A1
  

  该方法得到的结果误差会远小于转稠密后用np.sum的结果，多数场景下可直接得到和为0的结果。
• 方案2：显式使用逐个累加逻辑
  如果你需要严格匹配逐个累加的计算结果，可以用np.add.reduce实现逐个累加，规避numpy默认成对求和的精度差异：

  dense = sp_m.toarray()
  # 对每行做逐个累加
  row_sums = np.apply_along_axis(lambda x: np.add.reduce(x), axis=1, arr=dense)
  

• 方案3：后处理截断微小误差
  由于你的行和理论值严格为0，误差仅为1e-16级别，可直接根据业务精度容忍阈值做截断，实现成本最低：

  # 阈值可根据你的数值量级调整，1e-12足以覆盖双精度浮点数的常规误差范围
  row_sums = np.sum(sp_m.toarray(), axis=1)
  row_sums[np.abs(row_sums) < 1e-12] = 0
  

• 方案4：使用更高精度浮点类型计算
  对精度要求极高的场景，可将矩阵转为长双精度类型后再求和：

  row_sums = np.sum(sp_m.toarray().astype(np.longdouble), axis=1).astype(np.float64)
  

内容的提问来源于stack exchange，提问作者Ioanna K.