sparsity Struktur für eine einzelne Operation Ändern

Question

I eine Matrix A in coo Format haben (die von scipy.sparse.bmat erstellt wird):

A 
<80000x80000 sparse matrix of type '<class 'numpy.float64'>' 
    with 278480 stored elements in COOrdinate format> 

I würden alle Werte in einer bestimmten Zeile

1. ändern mögen von dieser Matrix
2. Lösen Sie spsolve(A, g) für einige g auf der geänderten Matrix

Jetzt kann ich Zeilen im coo Format nicht ändern. Die folgenden Werke:

AA = A.tocsr() 
AA[10, :] = 1 # or whatever other array I want to put here 
spsolve(AA, g) 

aber ich werde eine

SparseEfficiencyWarning: Changing the sparsity structure of a csr_matrix is expensive. lil_matrix is more efficient. 
    SparseEfficiencyWarning) 

Jetzt erhalten, soweit ich das verstehe, ist lil_matrix ineffizient in der linearen Algebra zu lösen - so auch wenn ich die sparsity Struktur lil verändert hatte Ich hätte/hätte danach wieder zu csr oder csc wechseln sollen.

Im Allgemeinen, ist es das wert? Ich möchte nicht jede einzelne Operation, die ich hier mache, schnell testen: Gibt es eine Daumenregel, wie kostspielig "sich verändernde Sparsität" im Vergleich zu "Zeilentrennung" im Vergleich zu "arithmetischen Operationen" ist? Wie gehen Programmierer typischerweise mit solchen Problemen um?

Answer 1

Trotz der Warnung, eine einmalige Änderung csr ist besser als die Rundreise durch lil:

In [137]: %%timeit M = sparse.random(10,10,.2,format='csr') 
    ...: M[-1,:] = np.arange(10) 
    ...: 
    SparseEfficiencyWarning) 
204 µs ± 5.06 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

In [139]: %%timeit M = sparse.random(10,10,.2,format='csr') 
    ...: M1=M.tolil(); M1[-1,:] = np.arange(10); M = M1.tocsr() 
444 µs ± 9.91 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

In [141]: %%timeit M = sparse.random(10,10,.2,format='lil') 
    ...: M[-1,:] = np.arange(10) 
162 µs ± 84.2 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)