如何将numpy.ndarray转为scipy.sparse.coo_matrix及解决ValueError问题

首先，咱们得明确你遇到问题的核心原因：你用了scipy.linalg.block_diag来拼接稀疏矩阵列表，但这个函数是为密集矩阵设计的。当输入是稀疏矩阵时，它不会把这些块合并成一个大的稀疏矩阵，而是会生成一个numpy数组，其中每个元素是单独的稀疏矩阵块——这就是你得到那个(50,50)数组的原因，这完全不是你需要的大的块对角稀疏矩阵。

而你后续尝试用sp.coo_matrix(top5_block.any())或者直接转稀疏矩阵时出错，是因为numpy数组里的元素是稀疏矩阵，对它们做布尔判断（比如any()/all()）或者直接传给sp.coo_matrix都会触发歧义判断的错误，这从逻辑上就是错误的操作。

正确解决方案：用scipy.sparse.block_diag #

scipy.sparse模块下专门提供了block_diag函数，就是用来拼接稀疏矩阵生成块对角稀疏矩阵的，一步到位，直接返回你需要的scipy稀疏矩阵类型。

修改你的代码如下：

from scipy.sparse import block_diag  # 注意是sparse模块下的，不是linalg

def build_block_diag(matrice_list):
    return block_diag(*matrice_list)  # 替换成sparse版的block_diag

# 假设mat_list是你的50个稀疏矩阵组成的列表
top5_block = build_block_diag(mat_list)
print(type(top5_block))  # 输出会是scipy.sparse.coo.coo_matrix或者其他稀疏类型
print(top5_block.shape)  # 这里会显示正确的总尺寸，比如所有块的行/列数之和

验证示例 #

用几个小稀疏矩阵测试，看看效果：

from scipy.sparse import csr_matrix, block_diag

# 创建几个小的稀疏矩阵块
block1 = csr_matrix([[1,2],[3,4]])
block2 = csr_matrix([[5]])
block3 = csr_matrix([[6,7,8],[9,10,11]])

# 用sparse.block_diag拼接
big_block = block_diag(block1, block2, block3)
print(big_block.toarray())
# 输出：
# [[ 1  2  0  0  0]
#  [ 3  4  0  0  0]
#  [ 0  0  5  0  0]
#  [ 0  0  0  6  7  8]
#  [ 0  0  0  9 10 11]]
print(type(big_block))  # <class 'scipy.sparse.coo.coo_matrix'>

转换为torch.sparse张量 #

得到正确的scipy稀疏矩阵后，你可以直接转换成PyTorch的稀疏张量：

import torch

# 先把scipy稀疏矩阵转成coo格式（如果不是的话）
coo_matrix = top5_block.tocoo()

# 提取行、列、数据
rows = torch.tensor(coo_matrix.row, dtype=torch.long)
cols = torch.tensor(coo_matrix.col, dtype=torch.long)
values = torch.tensor(coo_matrix.data, dtype=torch.float32)

# 创建torch稀疏张量
sparse_tensor = torch.sparse_coo_tensor(
    indices=torch.stack([rows, cols]),
    values=values,
    size=coo_matrix.shape
)

这样就完全解决了你的问题：既得到了正确的稀疏块对角矩阵，又能顺利转换成PyTorch需要的稀疏张量，不会再遇到那个ValueError。

内容的提问来源于stack exchange，提问作者mulaixi