csr在这种情况下，我看不到格式的优点是什么。当然，所有非零值都收集在一个
.data数组中，相应的列索引在中
.indices。但是它们处于不同长度的块中。这意味着它们不能并行或以
numpy数组步幅进行处理。
一种解决方案是将这些块填充为公共长度块。就是
.toarray()那样 然后，您可以使用
argsort(axis=1) orwithargpartition`找到最大值。
另一个方法是将它们分成行大小的块，并处理每个块。这就是您使用所做的
.getrow。分解它们的另一种方法是转换为
lil格式，并处理
.dataand
.rows数组的子列表。
第三种可能的选择是使用该
ufunc
reduceat方法。这使您可以将
ufunc
reduction方法应用于数组的顺序块。建立
ufunc这样的
np.add优势。
argsort不是这样的功能。但是有一种
ufunc从Python函数构造a的方法，并且可以在常规Python迭代中获得一定的速度。[我需要查看一个最近的SO问题来说明这一点。]
我将通过一个更简单的函数来说明其中的一些问题，即按行求和。
If
A2是一个CSR矩阵。
A2.sum(axis=1) # the fastest compile csr methodA2.A.sum(axis=1) # same, but with a dense intermediary[np.sum(l.data) for l in A2] # iterate over the rows of A2[np.sum(A2.getrow(i).data) for i in range(A2.shape[0])] # iterate with index[np.sum(l) for l in A2.tolil().data] # sum the sublists of lil formatnp.add.reduceat(A2.data, A2.indptr[:-1]) # with reduceat
A2.sum(axis=1)被实现为矩阵乘法。这与排序问题无关，但仍然是一种求和问题的有趣方式。请记住，
csr格式是为有效乘法而开发的。
对于我当前的样本矩阵（为另一个SO稀疏问题创建）
<8x47752 sparse matrix of type '<class 'numpy.float32'>' with 32 stored elements in Compressed Sparse Row format>
行总和的实现
np.frompyfunc：
In [741]: def foo(a,b): return a+b In [742]: vfoo=np.frompyfunc(foo,2,1)In [743]: timeit vfoo.reduceat(A2.data,A2.indptr[:-1],dtype=object).astype(float)10000 loops, best of 3: 26.2 µs per loop
那是可观的速度。但是我想不出一种编写
argsort通过还原实现的二进制函数（带2个参数）的方法。因此，这可能是该问题的死胡同。
