记一次矩阵类乘操作，工具python scipy.sparse包 核心部分sparseMatrix2tuple自己写。

• 需求：将两个约10000*10000的矩阵通过“最小联通量”处理为一个10000*10000的矩阵。
  • 最小联通量，见图。

  • A = 

  • B = 

  • 矩阵A  pn1对应A01C、A01D， B矩阵A01C、A01D对应A0111，即pn1 对应A0111为2，如果AB矩阵的所有行列对应起来就是一个新的矩阵，A的行和B的列形成的矩阵。

• 思想：“matrix矩阵”—>"tuple三元组"—>"sparseMatrix2tuple"—>"新tuple三元组"
  • 这个过程中需要用到python的 scipy.sparse包。见
• 实现：“matrix矩阵”—>"tuple三元组"—>"sparseMatrix2tuple"—>"新tuple三元组"
• Code：（部分代码，为了防止我之后忘记了）

• from scipy import sparseimport numpy as npimport timet1 = time.time()#稀疏矩阵转换后相当于是处理一维矩阵运算for u in np.unique(tuple_L.row):#     print('行：',u)    temp_row = []    L_mid_map={}    R_mid_list=[]        for i in [m for m,item in enumerate(tuple_L.row) if item==u]:# 取行中相同元素的下标        v = tuple_L.col[i]        if v in tuple_R.row:# 是否在右矩阵的列中            temp_row.append(v)# 左矩阵列中元素            L_mid_map[v] = i # v表示左矩阵的行的下标，i表示左矩阵列的值  （左矩阵列指的是col_list）        R_mid_list = [n for n,item in enumerate(tuple_R.row) if item in temp_row]#  右矩阵行中元素的下标#     print(R_mid_list)'''此处开始因为想太多，迟迟下不了手敲代码，想不出以何种方式记录需要进行遍历的数据'''    for k in range(len(R_mid_list)):  #         print(k)#         print(R_mid_list[k])        row_list.append(u)         col_list.append(tuple_R.col[R_mid_list[k]])        data_list.append(min(tuple_L.data[L_mid_map.get(tuple_R.row[R_mid_list[k]])],tuple_R.data[R_mid_list[k]]))        # L_mid_map.get(tuple_R.row[R_mid_list[k]]) 通过右矩阵的行获取values值          # 进而得到这些values值在左矩阵map中获取下标   然后得到data的数据值（tri-tuple)t2 = time.time()print(t2-t1)

  matrix_ovl = sparse.coo_matrix((data, (row,col)), shape=(len(df_A.index),len(df_B.columns)))# 通过利用coo_matrix 将自己的数据再次转回矩阵，即单个矩阵

   

• 在完成此代码之前曾因为数据量少，所以直接运了矩阵进行处理，但是当数据量上来后时间消耗到了2h之久，于是开始准备优化程序，最终该代码保证在2min内搞定，虽然当我记录的时候已经是“柳暗花明又一村”但是曾经的”山重水复疑无路“也着实让人着急啊。

• 小结：

  • coding时要在思考与实践之间平衡，即先实现后优化，如果一味的执着于优化结果，将停滞不前；

  • 找逻辑关系很重要，找准核心的关键部分，缕清思绪能减少很多无谓的工作。

  • 如果自己脑子在打转的问题，就去找个人，试着把你要做的事情讲述给他。

• 最后记录下自己熬夜写代码的苦逼经历，感谢自己的努力！！！