我想我
csr用以下方法重新创建了行索引：
def extractor(indices, N): indptr=np.arange(len(indices)+1) data=np.ones(len(indices)) shape=(len(indices),N) return sparse.csr_matrix((data,indices,indptr), shape=shape)
csr我在周围徘徊的测试：
In [185]: MOut[185]: <30x40 sparse matrix of type '<class 'numpy.float64'>' with 76 stored elements in Compressed Sparse Row format>In [186]: indices=np.r_[0:20]In [187]: M[indices,:]Out[187]: <20x40 sparse matrix of type '<class 'numpy.float64'>' with 57 stored elements in Compressed Sparse Row format>In [188]: extractor(indices, M.shape[0])*MOut[188]: <20x40 sparse matrix of type '<class 'numpy.float64'>' with 57 stored elements in Compressed Sparse Row format>
与许多其他
csr方法一样，它使用矩阵乘法来产生最终值。在这种情况下，所选行中的稀疏矩阵为1。时间实际上好一点。
In [189]: timeit M[indices,:]1000 loops, best of 3: 515 µs per loopIn [190]: timeit extractor(indices, M.shape[0])*M1000 loops, best of 3: 399 µs per loop
在您的情况下，提取器矩阵的形状为（len（train_indices），347），只有
len(training_indices)值。所以不大。
但是，如果a
matrix太大（或至少第二维那么大），从而在矩阵乘法例程中产生一些错误，则可能会导致分段错误而没有python / numpy捕获它。
确实
matrix.sum(axis=1)有效。尽管使用了1s的密集矩阵，但它也使用了矩阵乘法。或者
sparse.eye(347)*M，类似的大小矩阵乘法？
