与普通字典相比，为什么 lil_matrix 和 dok_matrix 这么慢？

Question

我想迭代地构建稀疏矩阵，并注意到根据 SciPy 文档有两个合适的选项：

LiL matrix:

类 scipy.sparse.lil_matrix(arg1, shape=None, dtype=None, copy=False)[source] 基于行的链表稀疏矩阵

这是构造稀疏矩阵的有效结构 逐渐增加。

DoK matrix:

类 scipy.sparse.dok_matrix(arg1, shape=None, dtype=None, copy=False)[source] 基于稀疏矩阵的键字典。

这是构造稀疏矩阵的有效结构 逐渐增加。

但是当我运行基准测试时，与构建值字典（稍后可以轻松转换为稀疏矩阵）相比，后者比使用任何稀疏矩阵快 10-20 倍型号：

from scipy.sparse import dok_matrix, lil_matrix
from timeit import timeit
from collections import defaultdict

def common_dict(rows, cols):
    freqs = defaultdict(lambda: defaultdict(int))
    for row, col in zip(rows, cols):
        freqs[row][col] += 1

    return freqs

def dok(rows, cols):
    freqs = dok_matrix((1000,1000))
    for row, col in zip(rows, cols):
        freqs[row,col] += 1

    return freqs

def lil(rows, cols):
    freqs = lil_matrix((1000,1000))
    for row, col in zip(rows, cols):
        freqs[row,col] += 1

    return freqs


def benchmark():
    cols = range(1000)
    rows = range(1000)

    res = timeit("common_dict({},{})".format(rows, cols), 
                 "from __main__ import common_dict", 
                 number=100)

    print("common_dict: {}".format(res))

    res = timeit("dok({},{})".format(rows, cols), 
                 "from __main__ import dok", 
                 number=100)

    print("dok: {}".format(res))

    res = timeit("lil({},{})".format(rows, cols), 
                 "from __main__ import lil", 
                 number=100)

    print("lil: {}".format(res))

结果：

benchmark()

common_dict: 0.11778324202168733
dok: 2.2927695910912007
lil: 1.3541790939634666

是什么导致了矩阵模型的这种开销，有什么方法可以加快它的速度吗？是否有使用 dok 或 lil 比普通字典更喜欢的用例？

Answer 1

当我将您的 += 更改为您的 2 个稀疏数组的 = 时：

for row, col in zip(rows, cols):
    #freqs[row,col] += 1
    freqs[row,col] = 1

他们各自的时间减半。最耗时的是索引。对于+=，它必须同时执行__getitem__ 和__setitem__。

当文档说dok 和lil 更适合迭代构造时，他们的意思是扩展其底层数据结构比其他格式更容易。

当我尝试使用您的代码创建 csr 矩阵时，我得到：

/usr/lib/python2.7/dist-packages/scipy/sparse/compressed.py:690：SparseEfficiencyWarning：更改 csr_matrix 的稀疏结构是昂贵的。 lil_matrix 更有效。 稀疏效率警告）

速度降低 30 倍。

因此速度声明与csr 等格式相关，而不是与纯Python 或numpy 结构相关。

您可能想查看dok_matrix.__get_item__ 和dok_matrix.__set_item__ 的Python 代码，看看当您执行freq[r,c] 时会发生什么。

---

构建dok 的更快方法是：

freqs = dok_matrix((1000,1000))
d = dict()
for row, col in zip(rows, cols):
    d[(row, col)] = 1
freqs.update(d)

利用dok 是子类字典这一事实。请注意，dok 矩阵不是字典字典。它的键是像(50,50) 这样的元组。

构造相同稀疏数组的另一种快速方法是：

freqs = sparse.coo_matrix((np.ones(1000,int),(rows,cols)))

也就是说，既然你已经有了rows和cols数组（或范围），计算对应的data数组，然后构造稀疏数组。

但如果您必须在增量增长步骤之间对矩阵执行稀疏运算，那么dok 或lil 可能是您的最佳选择。

---

稀疏矩阵是为线性代数问题开发的，例如求解具有大型稀疏矩阵的线性方程。几年前我在 MATLAB 中使用它们来解决有限差分问题。对于这项工作，计算友好的csr 格式是最终目标，coo 格式是一种方便的初始化格式。

现在许多 SO scipy 稀疏问题来自scikit-learn 和文本分析问题。它们也用于生物数据库文件。但(data),(row,col) 定义方法仍然效果最好。

因此，稀疏矩阵从未用于快速增量创建。字典和列表等传统 Python 结构在这方面要好得多。

---

这是一个更快的dok 迭代，它利用了它的字典方法。 update 似乎和普通字典一样快。 get 大约是等效索引 (freq[row,col]) 的 3 倍。索引可能使用get，但必须有很多开销。

def fast_dok(rows, cols):
    freqs = dok_matrix((1000,1000))
    for row, col in zip(rows,cols):
         i = freqs.get((row,col),0)
         freqs.update({(row,col):i+1})
    return freqs

跳过get，直接做

         freqs.update({(row,col): 1)

甚至更快 - 比 defaultdict 示例的 defaultdict 更快，几乎和简单的字典初始化一样快 ({(r, c):1 for r,c in zip(rows, cols)})

Answer 2

您的测试不公平有多种原因。首先，您将构建稀疏矩阵的开销作为定时循环的一部分。

其次，可以说更重要的是，您应该使用设计用于使用的数据结构，同时对整个数组进行操作。也就是说，与其遍历行和列并每次加 1，不如简单地将 1 加到整个数组中。