我有一个大的二维ndarray、A，我想计算 SVD 以检索最大特征值和相关的特征向量对。查看 NumPy 文档，似乎 NumPy 只能计算完整的 SVD（numpy.linalg.svd），而 SciPy 的方法可以完全满足我的需要（scipy.sparse.linalg.svds），但是矩阵稀疏，我不想执行转换A，因为它需要额外的计算时间。
到目前为止，我一直在 A 上直接使用 SciPy svds，但是文档不鼓励将 ndarrays 传递给这些方法。
有没有办法使用接受ndarray 对象的方法来执行此任务？
【问题讨论】：
如果 svds 与密集的 A 数组一起使用，则继续使用它。你不需要把它转换成任何东西。 svds 做了它需要的所有适配。
它的文档说
A : {稀疏矩阵，LinearOperator} 用于计算形状为 (M, N) 的 SVD 的数组
但是LinearOperator 是什么？它是可以执行矩阵乘积的东西的包装器。对于密集数组 A.dot 符合条件。
查看svds 的代码。如果A 还不是线性运算符或稀疏矩阵，那么第一件事就是A = np.asarray(A)。然后它抓取A.dot 和(hemetianA).dot 并创建一个新的LinearOperator。
这个函数中的稀疏矩阵没有什么特别之处。重要的是拥有兼容的矩阵产品。
看看这些时间：
In [358]: A=np.eye(10)
In [359]: Alg=splg.aslinearoperator(A)
In [360]: Am=sparse.csr_matrix(A)
In [361]: timeit splg.svds(A)
1000 loops, best of 3: 541 µs per loop
In [362]: timeit splg.svds(Alg)
1000 loops, best of 3: 964 µs per loop
In [363]: timeit splg.svds(Am)
1000 loops, best of 3: 939 µs per loop
直接使用A 是最快的。即使在时间循环之外，转换也无济于事。
【讨论】：