scipy 中稀疏正定线性系统推荐的直接求解器？

如果 scipy.sparse 文档中对此有清楚的解释，我很抱歉。

使用 scipy 时，您建议使用什么函数来求解稀疏正定线性方程组？我想使用直接方法，并且希望对列重新排序，以便在系数矩阵的 Cholesky 分解中尽可能保持稀疏性。理想情况下，我能够尝试各种重新排序选项。

scipy.sparse 中是否存在稀疏正定系统的直接求解器？ scikit.sparse 是正确的选择吗？

scipy.sparse.linalg.spsolve http://docs.scipy.org/doc/scipy/reference/generated/scipy.sparse.linalg.spsolve.html已经足够清楚了， 但似乎为了速度你必须

pip install scikit-umfpack https://pypi.python.org/pypi/scikit-umfpack

or else

1. 构建 UMFPACK 和 AMD稀疏套件 http://www.cise.ufl.edu/research/sparse/SuiteSparse
2. 然后从源代码重建 scipy，[umfpack] umfpack_libs = ...在 site.cfg 中。

否则 scipy.sparse.linalg 默认为较慢的 SuperLU。

scikit.sparse 是正确的选择吗？

与什么相比，以什么标准？ 如果C / C++对你来说足够了，直接使用SuiteSparse。 任何工具都取决于你对什么感到满意， 对于用户：一个、两个、很多。 也许更好的可视化比更快的 spsolve 对您的项目更有帮助。

scipy.sparse 的一些非常明显的优点和缺点：

+ 用于快速开发的Python，数据输入——矩阵——可视化
+ 多个软件包基于 scipy.sparse 构建； 询问您的应用领域（是？）
- 粗糙的边缘（矩阵很痛苦），据我所知没有维基来收集提示和代码片段
- 层层叠加，scipy.sparse -- SuiteSparse -- ... BLAS ... 使计时和调试变得困难。

Fwiw，我的 iMac 上的求解器时间差异很大。 这些都是带有默认参数的，没有 umfpack。
（这不是一个现实的测试用例；但是满意的 http://en.wikipedia.org/wiki/Satisficing通常就足够好了。）

X = sparse.rand( m, n, dens, format="csr" )
A = 1e-6 * sparse.eye(m) + X * X.T
linalg solvers( A, b )

(5000, 5000)  density 0.42 % --
   51 msec spsolve
    5 msec bicg
    3 msec bicgstab
    2 msec cg
    4 msec cgs
    3 msec gmres
    4 msec lgmres
    1 msec minres
    6 msec qmr
    5 msec lsmr
(5000, 5000)  density 0.84 % --
  428 msec spsolve
   12 msec bicg
    7 msec bicgstab
    5 msec cg
   10 msec cgs
    6 msec gmres
    8 msec lgmres
    2 msec minres
   13 msec qmr
   12 msec lsmr
(5000, 5000)  density 1.3 % --
 1462 msec spsolve
   16 msec bicg
    9 msec bicgstab
    7 msec cg
   11 msec cgs
    7 msec gmres
   10 msec lgmres
    1 msec minres
   18 msec qmr
   14 msec lsmr