scipy.sparse.csr_matrix.toarray() 的大量内存使用

Question

我有一个相当大的稀疏矩阵 A 作为 scipy.sparse.csr_matrix。它具有以下属性：

A.shape: (77169, 77169)
A.nnz: 284811011
A.dtype: dtype('float16')

现在我必须使用 .toarray() 将其转换为密集数组。我对内存使用量的估计是

77169**2 * (16./8.) / 1024.**3 = 11.09... GB

这很好，因为我的机器有 ~48GB 内存。事实上，如果我创建 a=np.ones((77169, 77169), dtype=np.float16) 就可以正常工作，而且确实 a.nbytes/1024.**3 = 11.09...。但是，当我在稀疏矩阵上运行 A.toarray() 时，它会打包所有内存并在某个时候开始使用交换（它不会引发 MemoryError）。这里出了什么问题？应该不会很容易就融入我的记忆吧？

Answer 1

对于 csr toarray()

self.tocoo(copy=False).toarray(order=order, out=out)

您可以继续追踪 coo.toarray，但我怀疑它最终使用的是编译代码。但我怀疑它最终相当于：

In [715]: M=sparse.random(10,10,.2,format='csr')
In [717]: M=M.astype(np.float16)
In [718]: A = np.zeros(M.shape, M.dtype)
In [719]: Mo=M.tocoo()
In [720]: A[Mo.row, Mo.col] = Mo.data

奇怪的是如果我这样做

In [728]: Mo.toarray()
     ...
    257         coo_todense(M, N, self.nnz, self.row, self.col, self.data,
--> 258                     B.ravel('A'), fortran)
    259         return B
...
ValueError: Output dtype not compatible with inputs.

float16 有问题。 Mo.astype(float).toarray() 工作正常。即使将 toarray(out=out) 与 float16 一起使用，我也会收到此错误，这让我怀疑 coo_todense 仅使用几个 dtype 选项进行编译。也许我稍后会深入研究。

In [741]: scipy.__version__
Out[741]: '0.18.1'

Warren 错误报告中的评论

but the xxx_todense functions are actually A += X,

表明从 Mo.data 到 A[] 的复制比指示的更复杂。 toarray 对重复项求和，就像 Mo.tocsr() 或 Mo.sum_duplicates().

scipy.sparse.csr_matrix.toarray() 的大量内存使用

Large memory usage of scipy.sparse.csr_matrix.toarray()

python

memory

numpy

scipy

sparse-matrix