如何在Scipy稀疏矩阵中获取两矩阵共有的非零元素并绘制散点图？

你说得太对了——当矩阵规模上去之后，转密集格式简直是灾难，内存直接爆掉不说，计算速度也慢得离谱。其实我们完全可以利用稀疏矩阵的特性，只挑出两个矩阵都不为零的元素来绘图，根本不需要碰那些占绝大多数的零元素。

下面给你两种高效的实现方式，都能完美避开密集格式的坑：

方法一：利用稀疏矩阵的布尔乘法（简洁易读） #

这种方法借助scipy稀疏矩阵的内置操作，代码简洁，可读性拉满，适合大多数场景：

from scipy import sparse as sp
import matplotlib.pyplot as plt
import numpy as np

# 生成大规模示例稀疏矩阵（10k*10k，1%非零密度）
t1 = sp.random(10000, 10000, 0.01)
t2 = sp.random(10000, 10000, 0.01)

# 1. 标记两个矩阵共同的非零位置
# 先转布尔型稀疏矩阵，再做元素乘法——结果的非零位置就是两者都非零的位置
common_nonzero_mask = t1.astype(bool).multiply(t2.astype(bool))

# 2. 提取对应位置的数值
t1_common_vals = t1[common_nonzero_mask.nonzero()]
t2_common_vals = t2[common_nonzero_mask.nonzero()]

# 3. 绘制散点图
plt.scatter(t1_common_vals, t2_common_vals, marker='o', color='k', alpha=0.1)
plt.xlabel('t1 Non-Zero Values')
plt.ylabel('t2 Non-Zero Values')
plt.title('Scatter Plot of Common Non-Zero Elements')
plt.show()

方法二：位置编码找交集（极致性能） #

如果你的矩阵非零元素数量特别大（比如千万级），可以用这种方法，通过位置编码减少内存开销，进一步提升速度：

from scipy import sparse as sp
import matplotlib.pyplot as plt
import numpy as np

t1 = sp.random(10000, 10000, 0.01)
t2 = sp.random(10000, 10000, 0.01)

# 1. 转COO格式，方便直接获取非零元素的行、列和值
t1_coo = t1.tocoo()
t2_coo = t2.tocoo()

# 2. 将每个非零位置编码为唯一整数（行号*总列数 + 列号）
n_cols = t1.shape[1]
t1_positions = t1_coo.row * n_cols + t1_coo.col
t2_positions = t2_coo.row * n_cols + t2_coo.col

# 3. 找到两个位置数组的交集
common_positions = np.intersect1d(t1_positions, t2_positions, assume_unique=True)

# 4. 筛选出共同位置对应的数值
t1_mask = np.isin(t1_positions, common_positions)
t2_mask = np.isin(t2_positions, common_positions)

t1_common_vals = t1_coo.data[t1_mask]
t2_common_vals = t2_coo.data[t2_mask]

# 5. 绘图
plt.scatter(t1_common_vals, t2_common_vals, marker='o', color='k', alpha=0.1)
plt.xlabel('t1 Non-Zero Values')
plt.ylabel('t2 Non-Zero Values')
plt.title('Scatter Plot of Common Non-Zero Elements')
plt.show()

为什么这两种方法更优？ #

两种方法都只处理非零元素，内存占用和计算量完全和非零元素的数量成正比，而不是矩阵的总大小。比如10k*10k的矩阵，总元素是1亿，但1%密度下非零元素只有100万，处理量直接降到原来的1%，效率提升非常明显。

内容的提问来源于stack exchange，提问作者mgalardini