如何高效计算numpy数组与csr_matrix的逐元素最小值

以下两种方案分别适配稀疏输出和稠密输出的需求，均兼顾低内存占用与高计算效率：

方案1：输出为CSR稀疏矩阵（内存占用最低，速度最快） #

适合结果仍为稀疏的场景，尤其当V中所有元素均≥0时效率最高，全程仅处理M的非零元素，内存消耗仅为原稠密矩阵的几十分之一甚至百分之一：

import numpy as np
from scipy.sparse import csr_matrix

# 先把V压为一维方便按列索引
V_flat = V.ravel()
# 对M的所有非零元素直接向量化计算和对应V元素的最小值
new_data = np.minimum(M.data, V_flat[M.indices])
# 用处理后的数据构造初步结果稀疏矩阵
res = csr_matrix((new_data, M.indices.copy(), M.indptr.copy()), shape=M.shape)

# 仅当V中有小于0的元素时需要执行以下步骤：这些列的零元素位置最小值为V[j]，需要替换原有0值
neg_cols = np.where(V_flat < 0)[0]
for j in neg_cols:
    col_vals = res[:, j].toarray().ravel()
    col_vals = np.minimum(col_vals, V_flat[j])
    res[:, j] = col_vals.reshape(-1, 1)

如果V中没有小于0的元素，可直接省略后续的循环步骤。

方案2：输出为稠密矩阵（适配需要稠密输出的场景） #

仅需存储最终结果矩阵，无需将整个M转为稠密，内存占用固定为结果矩阵的大小（1e5行1e3列的float32矩阵约400MB，绝大多数机器可轻松承载）：

import numpy as np

V_flat = V.ravel()
# 初始化结果为广播后的V，直接生成目标形状的矩阵
res = np.broadcast_to(V_flat, M.shape).copy()
# 提取M所有非零元素的坐标
rows, cols = M.nonzero()
# 仅对非零位置计算最小值并赋值
res[rows, cols] = np.minimum(M.data, res[rows, cols])

全程无Python循环，全部为向量化操作，计算速度和直接转稠密后计算相当，但内存占用更低。

原有方案问题说明 #

• 逐行循环：Python原生循环开销极大，无法利用CPU向量化加速，因此速度极慢
• 转稠密后计算：M的稀疏特性被浪费，大量内存被用于存储无意义的0元素
• 直接调用numpy.minimum：numpy原生函数不支持稀疏矩阵作为输入，因此会触发类型不兼容报错

内容的提问来源于stack exchange，提问作者happyhuman