我有一个与肖恩·劳斯的例子非常相似的问题，你可以在这里找到： https://seanlaw.github.io/2019/02/27/set-values-in-sparse-matrix/
就我而言，我想删除稀疏 csr 矩阵中的所有元素，这些元素的绝对值小于某些 epsilon。
首先我尝试了类似的东西
x[abs(x) < 3] = 0
但是SciPy关于效率低下的警告让我在上面的链接中解释了肖恩·劳斯(Sean Laws(。然后我尝试操作他的示例代码，但找不到解决我的问题的方法。
这是代码，添加了一些负条目。示例代码将删除所有负条目，因为它们小于 3。我尝试了使用 np.abs(( 并添加了第二个逻辑运算符，但到目前为止还没有成功。
import numpy as np
from scipy.sparse import csr_matrix
x = csr_matrix(np.array([[1, 0.1, -2, 0, 3],
[0, -4, -1, 5, 0]]))
nonzero_mask = np.array(x[x.nonzero()] < 3)[0]
rows = x.nonzero()[0][nonzero_mask]
cols = x.nonzero()[1][nonzero_mask]
x[rows, cols] = 0
print(x.todense())
给
[[0. 0. 0. 0. 3.]
[0. 0. 0. 5. 0.]]
但我想要的是
[[0. 0. 0. 0. 3.]
[0. -4. 0. 5. 0.]]
非常感谢任何帮助，我觉得我错过了一些非常基本的东西。 提前谢谢你！
In [286]: from scipy import sparse
In [287]: x = sparse.csr_matrix(np.array([[1, 0.1, -2, 0, 3],
...: [0, -4, -1, 5, 0]]))
...:
...:
您对x的测试也会选择 0 值，因此会出现效率警告。 但仅适用于data属性中的非零值：
In [288]: x.data
Out[288]: array([ 1. , 0.1, -2. , 3. , -4. , -1. , 5. ])
In [289]: mask = np.abs(x.data)<3
In [290]: mask
Out[290]: array([ True, True, True, False, False, True, False])
In [291]: x.data[mask]=0
In [292]: x.A
Out[292]:
array([[ 0., 0., 0., 0., 3.],
[ 0., -4., 0., 5., 0.]])
这实际上并没有从矩阵中删除元素，但有一种清理方法：
In [293]: x
Out[293]:
<2x5 sparse matrix of type '<class 'numpy.float64'>'
with 7 stored elements in Compressed Sparse Row format>
In [294]: x.eliminate_zeros()
In [295]: x
Out[295]:
<2x5 sparse matrix of type '<class 'numpy.float64'>'
with 3 stored elements in Compressed Sparse Row format>
将x[x.nonzero()]包装到np.abs()中可以解决问题：
>>> nonzero_mask = np.array(np.abs(x[x.nonzero()]) < 3)[0]
...
>>> print(x.todense())
[[ 0. 0. 0. 0. 3.]
[ 0. -4. 0. 5. 0.]]