本文介绍一种内存友好的方法：利用稀疏对角矩阵左乘与右乘，避免生成稠密的外积矩阵，从而在 o(n) 空间复杂度下完成稀疏协方差矩阵到稀疏相关矩阵的转换。
本文介绍一种内存友好的方法：利用稀疏对角矩阵左乘与右乘，避免生成稠密的外积矩阵，从而在 o(n) 空间复杂度下完成稀疏协方差矩阵到稀疏相关矩阵的转换。
在统计建模与高维数据分析中，常需将协方差矩阵标准化为相关系数矩阵。标准做法是按元素除以标准差的外积：
[
\text{corr}{ij} = \frac{\text{cov}{ij}}{\sigma_i \sigma_j}
]
但若直接计算 np.outer(np.sqrt(cov.diagonal()), np.sqrt(cov.diagonal()))，会生成一个 $n \times n$ 的稠密矩阵——当 $n = 10^5$ 时，仅该矩阵就需约 80 GB 内存（float64），完全不可行。
幸运的是，上述除法等价于双侧缩放（bilinear scaling）：
[
\mathbf{C}{\text{corr}} = \mathbf{D}^{-1/2} \, \mathbf{C}{\text{cov}} \, \mathbf{D}^{-1/2},
]
其中 $\mathbf{D}$ 是以协方差矩阵对角元（即方差）为对角线的对角矩阵，$\mathbf{D}^{-1/2}$ 是其元素级平方根倒数构成的稀疏对角矩阵。
该操作天然支持稀疏性：scipy.sparse.diags() 可零内存开销构造稀疏对角矩阵；@（矩阵乘法）自动保持稀疏结构，且时间复杂度仅为 $O(\text{nnz}(\mathbf{C}_{\text{cov}}))$，远优于 $O(n^2)$ 的稠密外积。
✅ 正确、高效、内存友好的实现如下：
import numpy as np
from scipy import sparse
# 构造示例稀疏协方差矩阵（CSR 格式）
A = np.array([
[1.0, 0.2, 0.3, 0.0, 0.0],
[0.2, 2.0, 1.0, 0.0, 0.0],
[0.3, 1.0, 3.0, 0.0, 0.0],
[0.0, 0.0, 0.0, 1.0, 0.5],
[0.0, 0.0, 0.0, 0.5, 4.0]
])
cov = sparse.csr_matrix(A)
# 构造稀疏逆标准差对角矩阵：D^(-1/2)
std_inv = 1.0 / np.sqrt(cov.diagonal()) # shape (n,)
S = sparse.diags(std_inv, format='csr') # 高效稀疏对角矩阵
# 双侧缩放 → 稀疏相关矩阵
cor = S @ cov @ S
print(cor.toarray().round(4))
输出结果与原始方法一致，但全程不产生任何 $n \times n$ 稠密中间变量。
⚠️ 注意事项：
- cov.diagonal() 返回稠密一维数组，内存占用仅 $O(n)$，安全；
- sparse.diags(..., format='csr') 推荐显式指定格式，避免隐式转换开销；
- 若协方差矩阵含零方差变量（即 cov.diagonal() 出现 0），需提前处理（如加极小正则项 1e-12 或掩码过滤），否则将触发除零错误；
- 该方法适用于任意 scipy.sparse 格式（CSR、CSC、COO），但 CSR 在矩阵乘法中通常性能最优。
总结：用 S @ cov @ S 替代 cov / np.outer(...) 不仅代码更简洁，更是大规模稀疏场景下的唯一可行方案——它将空间复杂度从 $O(n^2)$ 降至 $O(n + \text{nnz})$，让百万维稀疏相关矩阵计算真正落地。
