Supongamos que tengo una matriz dispersa en 2d. En mi caso de uso real, tanto el número de filas como las columnas son mucho mayores (por ejemplo, 20000 y 50000), por lo tanto, no puede caber en la memoria cuando se usa una representación densa:

>>> import numpy as np
>>> import scipy.sparse as ssp

>>> a = ssp.lil_matrix((5, 3))
>>> a[1, 2] = -1
>>> a[4, 1] = 2
>>> a.todense()
matrix([[ 0.,  0.,  0.],
        [ 0.,  0., -1.],
        [ 0.,  0.,  0.],
        [ 0.,  0.,  0.],
        [ 0.,  2.,  0.]])

Ahora suponga que tengo una matriz 1d densa con todos los componentes que no son ceros con tamaño 3 (o 50000 en mi caso de la vida real):

>>> d = np.ones(3) * 3
>>> d
array([ 3.,  3.,  3.])

Me gustaría calcular la multiplicación por elementos de a y d usando la semántica de transmisión habitual de numpy. Sin embargo, las matrices dispersas en scipy son de la matriz np.matrix: el operador '*' se sobrecarga para que se comporte como una matriz de multiplicación en lugar de elementwise-multiply:

>>> a * d
array([ 0., -3.,  0.,  0.,  6.])

Una solución sería hacer un cambio 'a' a la semántica de la matriz para el operador '*', que daría el resultado esperado:

>>> a.toarray() * d
array([[ 0.,  0.,  0.],
       [ 0.,  0., -3.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.],
       [ 0.,  6.,  0.]])

Pero no puedo hacer eso ya que la llamada a toarray () materializaría la versión densa de 'a' que no cabe en la memoria (y el resultado también será denso):

>>> ssp.issparse(a.toarray())
False

¿Alguna idea de cómo construir esto manteniendo solo estructuras de datos dispersas y sin tener que hacer un bucle de pitón ineficiente en las columnas de 'a'?