如果你没有内存来保存x.toarray()，你就没有内存来保存你所要求的输出。输出不会稀疏;事实上，除非你的输入中有负无穷大，否则输出可能不会有一个0。
最好计算exp（x）-1，它就像下面这样简单：

x.expm1()

要更改非零元素，也许这对你有用：

x = some big sparse matrix
np.exp( x.data, out=x.data ) # ask np.exp() to store results in existing x.data

可能更慢：

# above seems more efficient (no new memory alloc).
x.data = np.exp( x.data )

我一直在纠结如何获取每个非零数组元素的元素级log 2（）。最后我做了一个类似的smth：

np.log2( x.data, out=x.data )

以下两种技术似乎正是我所寻找的。我的矩阵是稀疏的，但它仍然有很多非零元素。
感谢@DSM直接改变x.data的想法，我认为这是关于稀疏矩阵的极好见解。
归功于@Mike Müller使用“out”本身的想法。在同一个线程中，@kmario23指出了一个关于将.data提升为浮点数的重要警告（输入可以是int或smth），因此它与.exp（）或任何函数兼容，如果我写的是一般用途的smth，我想这样做。

**注意：**我刚刚开始学习稀疏矩阵，所以想知道这是否是一个坏主意，因为我没有看到原因。请让我知道如果我在薄冰上。

通常我不会乱用私有属性，但是.data在我看过的各种稀疏矩阵的属性文档中显示得非常清楚。

如果你只想在非零上做一些事情：data属性至少在包括csr和csc的某些表示中是可写的。有些表示允许重复的条目，所以要确保你是在一个“标准化”的表单上操作。

如果你只想在非零元素上应用一些元素函数，而忽略所有其他压缩的元素（本质上是一个掩码操作），你可以这样做：

y = x.copy()
y.data = np.exp(y.data)

其他元素方面的功能也可以工作。
请注意，这是一个真正的屏蔽操作，而不是将所有其他条目视为0。因为将函数应用于0可能会返回非零值。