我正在寻找最快的方法来获取每行和每列二维数组的非零索引列表。以下是一段工作代码：

preds = [matrix[:,v].nonzero()[0] for v in range(matrix.shape[1])]
descs = [matrix[v].nonzero()[0] for v in range(matrix.shape[0])]

示例输入：

matrix = np.array([[0,0,0,0],[1,0,0,0],[1,1,0,0],[1,1,1,0]])

示例输出

preds = [array([1, 2, 3]), array([2, 3]), array([3]), array([], dtype=int64)]
descs = [array([], dtype=int64), array([0]), array([0, 1]), array([0, 1, 2])]

（这些列表称为 preds 和 descs，因为当矩阵被解释为邻接矩阵时，它们指的是 DAG 中的前辈和后辈，但这对于问题来说不是必需的。）

我想知道这是否可以通过某种稀疏矩阵（CSR、CSC、COO 等）来实现，scipy.sparse但我对它们不熟悉并且没有得到它的工作。如果存在更快的选项，我不一定需要使用这些类型。

时序示例： 出于时序目的，以下矩阵是一个很好的代表：

test_matrix = np.zeros(shape=(4096,4096),dtype=np.float32)
for k in range(16):
    test_matrix[256*(k+1):256*(k+2),256*k:256*(k+1)]=1

谢谢你。

背景：在我的代码中，这两行代码占用了 4000x4000 矩阵的 75% 的时间，而随后的拓扑排序和 DP 算法只占用了本季度的剩余时间。如果有人知道如何更有效地做到这一点，将不胜感激。大约 5% 的矩阵具有非零值。

（根据建议，我将问题移至此处：https ://stackoverflow.com/questions/62065793/fast-nonzero-indices-per-row-column-for-sparse-2d-numpy-array 包含几个有用的答案）